Socios
Contexto y visión general
El mercado laboral europeo necesita herramientas capaces de analizar las competencias a gran escala y alinearlas con taxonomías estándar, como ESCO (European Skills, Competences, Qualifications and Occupations). Los métodos tradicionales para extraer habilidades de las ofertas de empleo o los currículos exigen una gran cantidad de datos etiquetados, lo que resulta costoso y difícil de mantener en contextos multilingües. Para abordar este reto, los investigadores propusieron un enfoque basado en modelos de lenguaje grandes (LLM) que pueden realizar la extracción y la correspondencia de habilidades sin necesidad de entrenamiento previo. Esto significa que el modelo no necesita datos de entrenamiento específicos para cada tarea, sino que puede asignar directamente las habilidades mencionadas en el texto libre a las entradas de ESCO, lo que permite una inteligencia del mercado laboral más ágil y escalable.
Desafíos abordados
|
Falta de conjuntos de datos anotados para entrenar modelos supervisados que asignen las ofertas de empleo a ESCO. |
La variación lingüística en las descripciones de los puestos de trabajo, lo que complica el reconocimiento preciso de las habilidades. |
|
Necesidad de escalabilidad en varios países europeos e idiomas. |
Alineación con ESCO como taxonomía europea estándar para garantizar la comparabilidad de los resultados en todos los contextos. |
Solución implementada
Los investigadores desarrollaron una metodología de disparo cero en la que se utilizan LLM para identificar y emparejar habilidades directamente con ESCO sin necesidad de un ajuste previo. La solución incluye tres componentes:
|
Generación de datos sintéticos |
El LLM genera ejemplos de formación en IA que abarcan toda la taxonomía ESCO, lo que ayuda a reconocer una amplia gama de habilidades. |
|
Recuperador |
A partir de una oferta de empleo, el sistema recupera las habilidades ESCO potencialmente relevantes basándose en la similitud semántica. |
|
Reordenador |
Se aplica un segundo LLM para refinar la clasificación y seleccionar las habilidades más precisas. |
Este enfoque aprovecha los LLM tanto para generar datos auxiliares como para realizar la correspondencia real, lo que reduce la dependencia de conjuntos de datos etiquetados externos.
Impacto y resultado
La metodología muestra cómo la IA puede reducir la dependencia de la anotación manual, lo que permite obtener información sobre las competencias en tiempo real en todos los países y sectores. Gracias al fortalecimiento del vínculo entre las señales del mercado laboral sin procesar y ESCO, el sistema permite diseñar planes de estudios basados en datos empíricos y programas de EFP adaptables. Además, se ha mejorado la precisión, lo que demuestra el valor de las herramientas de IA de varios pasos.
Modelos lingüísticos de gran tamaño, aprendizaje sin entrenamiento previo, taxonomía ESCO, inteligencia del mercado laboral, diseño curricular basado en la evidencia
