À medida que o mercado de trabalho online evolui, a capacidade de identificar não apenas os requisitos de habilidades estabelecidas, mas também as habilidades emergentes diretamente dos anúncios de emprego online (OJAs) tornou-se crucial para antecipar as necessidades da força de trabalho e projetar programas de treinamento eficazes. Para enfrentar esse desafio, apresentamos o pipeline SkiLLink, que é articulado em dois componentes principais: (i) um componente de identificação e filtragem que extrai novas habilidades à medida que aparecem nos OJAs usando embeddings de palavras e modelos de linguagem; e (ii) um componente de mapeamento que emprega recomendações baseadas em embeddings e grandes modelos de linguagem para alinhar as habilidades extraídas com uma taxonomia de mercado de trabalho estabelecida. Essa distinção também é refletida em nossa estratégia de avaliação. O componente de extração e filtragem é avaliado qualitativamente por meio da validação por especialistas do mercado de trabalho em vários países da UE, que revisaram a relevância e a correção das habilidades emergentes. O componente de mapeamento é avaliado quantitativamente utilizando dois conjuntos de dados de referência e uma linha de base derivada da taxonomia de Habilidades da Europa (ESCO). Realizamos ainda uma análise de robustez empregando similaridade cosseno e doze métricas de distância adicionais para examinar a estabilidade do alinhamento baseado em embeddings.
Santo et al. (Mon,) estudaram essa questão.