技能驱动的工作过渡途径建议

8-A显示了包含S1表中所有特征的二元分类器模型的混淆矩阵。此功能配置实现了最高的性能（精度=76%，F1宏平均值=77%）。正如所观察到的，这个经过训练的模型能够预测真正的消极（“非过渡”——回忆=84%）略好于真正的积极（“实际过渡”——回忆=71%）。图8-B显示了“接收方操作特征”曲线（ROC曲线），它是二进制分类模型在所有分类阈值下的性能。ROC曲线总结了使用不同概率阈值的权衡模型。通常，高性能模型由曲线图左上角的ROC曲线表示。如图所示。8-B，蓝色ROC曲线始终高于红色斜线，这表明表现水平很强。类似地，图8-C显示了混淆矩阵，图8-D显示了仅包括技能空间距离度量（“θ”）的分类器模型的ROC曲线。虽然“仅限θ”模型仍表现相对较好（准确度和F1宏观平均值=73%），但性能确实有所下降。同样，真正的消极因素（“非a=64%）。这突出表明，招聘广告数据和就业统计数据中增加的劳动力市场特征提高了模型的性能，可以预测单独使用“θ”的模型的ROC曲线略低。2021年8月12日34／42消融试验及特征重要性。为了了解“JobTransitions推荐系统”中建模特征的相对重要性，我们进行了烧蚀测试和特征特征集，然后重新训练模型，以进行预测和评估性能。我们得出结论，如果删除某个功能后性能下降，则该功能对模型的预测能力“更重要”。无花果

9-A显示了所有19个功能的结果，强调了最大的性能下降发生在删除“θ”距离度量时。这些模型都是在一个一致的设置下训练的，正如《工作转换路径的技能驱动建议》中所解释的那样。为了巩固烧蚀试验的结果，我们随后进行了特征重要性分析，如下所示。我们使用“增益”度量，它通过计算XGBoost模型中每个树的特征贡献来显示每个特征对模型的相对贡献。增益分数越高，表明特征对生成预测越重要。同样，“θ”被压倒性地认为是预测工作转换的最重要特征。8月12日，2021、35/420、0.2、0.4、0.6、0、8、0.6、0、4、0、4、0、0、0.6、0、4、0、0、4、0、0、4、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、4、0、0、4、0、4、0、4、0、4、0、0、4、0、4、0、0、4、0、4、0、0、4、0、0、4、0、4、0、4、0、0、4、0、0、4、0、4、0、4、0、0、4、0、0、4、0、4、0、4、0、4、0、0、4、0、0、4、0、0、4、0、4、0、0、4、0、0、4、0、4、0、0、4、0、0、4、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、3、0、0、4、0、3、0、0、4、0、3、0、0TestMetric:F1宏观平均值排除特征A0 10 20 40 5060 SourceMineExperience Source Posting Frequency IffTargetMine Education SourceTotal Employeed YearlyAvgSource MediansalarySource Hours WorkedYearlyAvgSource DiffTargetMine Education SalaryDiffTargetMine Experience Education DiffPosting FreffTargetPosting Frequency WorkedYearyAvgTotalEmployeed DiffTargetTotalYearlyAvg重要特征：收益特征图9。量化特征重要性。

（A） 分类器特征的烧蚀测试和（B）特征重要性分析都表明技能空间距离度量（“θ”）是预测职业转换的最重要特征。8月12日，2021 36 /42S6附录：推荐工作和技能表转换示例-国内清洁职业转移概率No.Joad ADS 2019 No.Word广告2020差异百分比0.960395不同的普通清洁剂0.960395 323 276 - 47 -1455 1084商业清洁剂0.946621 865 671 - 194 -22.427 776服务员South-Y-Y-Y-63.33 33 33酒吧服务员和BARSTSTASγ-Y-Y-70.000000销售助理（普通）0.935315 2835 1609-1226-43.245150厨师0.926472 1904 877-1027-53.939076厨师0.914349 726 356-370-50.964187老年和残疾看护人0.893725 961 1302 341 35.483871儿童看护人0.887601 837 414-423-50.537634一般文员0.876921 2281 1466-815-35.729943S7附录：人工智能收养表人工智能相似性得分。

下表包含“制定人工智能采用领先指标”部分人工智能采用雷达图的基础数据。行业2013 2016 2019百分比变化13-19金融和保险服务0.000958 0.001599 0.002887 201.395294信息媒体和电信0.001057 0.001283 0.002286 116.285278专业、科学和技术服务0.000545 0.001027 0.001590 191.537693零售业0.000266 0.000568 0.001348 407.375732电力、天然气、，水和废水处理服务0.000443 0.000520 0.001300 193.594618教育和培训0.000707 0.000933 0.001257 77.744881运输、邮政和仓储0.000282 0.000427 0.000981 247.957226公共管理0.000270 0.000481 0.000905 234.594611租金，雇佣和房地产服务0.000157 0.000439 0.000775 392.117595艺术和娱乐服务0.000256 0.000571 0.000738 188.519596制造业0.000206 0.000356 0.000690 235.589203行政和支持服务0.000243 0.000346 0.000661 172.344264批发贸易0.000219 0.000388 0.000642 193.307221采矿0.000260 0.000223 0.000595 128.900314施工0.000360.000487257.990332其他服务0.0001360.0001800.000306124.906123医疗和社会援助0.000080.0001700.000281252.858476住宿和食品服务0.000086 0.000208 0.000267 208.987030农业、林业和渔业0.0001080.0001830.000239 120.979250暂时人工智能技能与澳大利亚工业的相似性。

下图是在制定AI2012-2019领先指标的过程中对相同数据的另一种可视化。2021年8月12日37／420.00，0.10，200.00，0.10，20.00，0.10，0.10，20.0，20.0，0.10，2，AUS 2012-2019年零售业运输的顶级AI技能邮政和仓储批发贸易其他服务专业和科学服务公共管理房地产医疗和社会援助IMT制造业采矿建筑教育和培训电力和废物服务金融和保险服务商品和食品服务行政和支持服务农业，2012年至2019年，林业和渔业艺术与娱乐服务与人工智能技术产业的相似性图10。2012-2019年人工智能技能和澳大利亚工业（ANZSIC部门）技能集之间的年度技能相似性。S8附录：材料与方法中讨论的技能计数分布，在计算个人技能相似性之前，我们筛选出极为罕见的技能，以减少噪音和计算复杂性。我们将最低年度技能计数阈值设置为大于或等于5。如图11中的经验累积分布函数（ECDF）所示，这部分虚线阈值线被排除在外，占技能的25%以下。2021年8月12日38 /420.0.0.250.500 .75 1.00 1 2 2 3 4 Log10（技能计数2018）经验CDFFIG 11。2018年招聘广告中技能数量的经验累积分布函数。2021年8月12日39／42S9附录：AI种子技能的发布频率SEC。材料和方法，如主要论文图6所示。这就允许了技能需求的演变，并说明了技能的重要性。最常见的（2）机器学习；（3） 数据科学；（4） 数据挖掘；（5）大数据。如图12所示，从2012年到2010年，所有五种种子技能的发布频率都有所增加。

而“数据挖掘”的增长较为温和，在2015年达到其最高发布频率水平，此后有所下降。图13显示，不仅AI种子技能的绝对发布频率增加了，而且包含这些技能的空缺百分比也增加了。2012年，人工智能种子技术。2019年，这一比例上升到了招聘广告（或13399个空缺）的1.3%以上——是需要人工智能技能的招聘广告比例的十倍多。虽然这些简单的指标提供了人工智能种子技能所需增长程度的指标，但使用发帖频率作为劳动力需求的代理存在一些基本缺陷。下面讨论使用发帖频率与技能相似性相比的缺点。2021年8月12日40/422012、2013、2014、2015、2016、2017、2018、20950、1000、1500、2000、2500、3000、3500人工智能机器学习数据挖掘大数据频率12。发布人工智能技能的频率。用于建立年度人工智能技能动态列表的五项人工智能技能的年度发布频率。2012 2013 2014 2015 2017 2018 201902k4k6k8k10k12k14k0。20.40.60.811.21.4具有人工智能种子技能的工作岗位占真空度的百分比占总真空度的百分比图13。人工智能技能的空缺率。澳大利亚包含这五种人工智能种子技能的空缺百分比。2021年8月12日41／42S10附录：技能相似度超过后频的优点，在文献[99 ]中最广泛使用的用于技能重要性的代理是技能频率。这只是计算一项技能在预定时间段内出现在与特定职位（或其他群体）相关的招聘广告中的次数；计数越高，需求就越大，这意味着技能对职业的重要性就越大。

虽然技能频率可以提供劳动力需求的一些指示，但它无法揭示哪些技能对特定职业更重要或更不重要，因为一些技能在所有职业中以高频率普遍化。例如，“特定于沟通的工作”。因此，我们通过测量每份招聘广告中每项技能的比较优势来获取技能重要性的代表，如材料与方法中的RCA方程所示。我们的衡量标准通过规范化来控制高发生率的技能，并在个人招聘广告中制定了技能重要性的衡量标准，这些衡量标准后来代表了劳动力市场群体（职业、行业等）中的技能重要性。2021年8月12日42/42