💬 NLP

VietJobs: A Vietnamese Job Advertisement Dataset

تقدم هذه الورقة VietJobs، وهو أول متن عام واسع النطاق يضم 48,092 إعلاناً وظيفياً باللغة الفيتنامية، ويختبر نماذج اللغات الكبيرة التوليدية في مهام مثل تصنيف الوظائف وتقدير الرواتب لتعزيز معالجة اللغات الطبيعية للفيتنامية وتحليلات سوق العمل.

المؤلفون الأصليون: Hieu Pham Dinh, Hung Nguyen Huy, Mo El-Haj

نُشر 2026-03-06

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Hieu Pham Dinh, Hung Nguyen Huy, Mo El-Haj

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل سوق العمل في فيتنام كأنه بازار ضخم وصاخب. لسنوات طويلة، إذا أردت دراسة كيفية بيع وشراء الوظائف هناك، كان عليك التجول ومعك دفتر ملاحظات، تحاول تذكر مقتطفات من المحادثات من بعض الأكشاك. كان الأمر فوضوياً، غير مكتمل، وصعب المقارنة.

تقدم هذه الورقة البحثية VietJobs، والتي تشبه منح الباحثين مكتبة رقمية ضخمة ومنظمة تماماً تحتوي على 48,000 إعلان وظيفي من كل ركن في فيتنام. إنها المرة الأولى التي يجمع فيها أي شخص هذا القدر الهائل من المعلومات في مكان واحد، لتغطي كل شيء بدءاً من ميكانيكي المصنع في الشمال وصولاً إلى مهندسي البرمجيات في الجنوب.

إليك تفصيل لما قاموا به، باستخدام بعض التشبيهات اليومية:

1. المجموعة الكبيرة (مجموعة البيانات)

تخيل الباحثين كأنهم أمناء مكتبات رقميين. لم يكتفوا باختيار بعض الكتب العشوائية؛ بل قاموا بمسح "بازار الوظائف" بأكمله (تحديداً موقع TopCV) لمدة أسبوع.

النطاق: جمعوا أكثر من 15 مليون كلمة. هذا يشبه قراءة كل إعلان وظيفي في البلاد وتكديس الأوراق فوق بعضها حتى تصل إلى القمر.
التنوع: قاموا بتنظيم هذه الإعلانات في 16 فئة مختلفة (مثل تصنيف الكتب إلى "خيال"، "علوم"، و"تاريخ"). وجدوا أن قطاعي "الأعمال والمبيعات" و"العمل في المصانع" هما القسمان الأكبر، بينما المجالات المتخصصة مثل "الزراعة" أصغر ولكنها لا تزال مهمة.
الحديث عن المال: نظروا أيضاً إلى ملصقات الرواتب. وجدوا أن معظم الوظائف تدفع ما بين 10 إلى 15 مليون دونغ فيتنامي شهرياً (ما يعادل تقريباً تكلفة إيجار شقة جيدة في مدينة كبيرة)، لكن بعض وظائف الإدارة العليا تذهب إلى مستويات أعلى بكول بكثير. ومن المثير للاهتمام أن حوالي 30% من الإعلانات لم تدرج سعراً على الإطلاق، بل قالت "قابل للتفاوض" — مثل صاحب متجر لا يخبرك بالسعر إلا إذا سألته بلطف.

2. تجربة القيادة (تجارب الذكاء الاصطناعي)

الآن بعد أن أصبح لديهم هذه المكتبة الضخمة، أرادوا معرفة ما إذا كان بإمكان الذكاء الاصطناعي (AI) أن يعمل كمستشار مهني ذكي. أعطوا الذكاء الاصطناعي مهمتين رئيسيتين:

قبعة التنسيق (Sorting Hat): هل يمكن للذكاء الاصطناعي قراءة وصف وظيفي وتخمين الفئة التي ينتمي إليها فوراً من بين الـ 16 فئة؟ (مثلاً: "هل هذه وظيفة 'طبخ' أم وظيفة 'تكنولوجيا معلومات'؟")
الكرة البلورية (Crystal Ball): هل يمكن للذكاء الاصطناعي النظر في تفاصيل الوظيفة (المسمى الوظيفي، الموقع، الخبرة) والتنبؤ بالراتب؟

لقهم اختبار أنواع مختلفة من "أدمغة" الذكاء الاصطناعي:

المسافرون العالميون: نماذج ضخمة تم تدريبها على لغات متعددة (مثل Qwen و Llama).
المرشدون المحليون: نماذج تم تدريبها خصيصاً على لغات جنوب شرق آسيا.
المواطنون الفيتناميون: نماذج بُنيت خصيصاً للغة الفيتنامية.

3. النتائج (من الفائز؟)

كانت النتائج تشبه سباقاً في تضاريس مختلفة:

لتصنيف الوظائف (Classification):
كان المسافرون العالميون (وتحديداً Qwen2.5) هم الأبطال. حتى بدون تعليمهم القواعد المحددة لسوق العمل الفيتنامي، ساعدهم تدريبهم الضخم على لغات عديدة في فهم السياق بشكل أفضل من النماذج المحلية فقط. الأمر يشبه سائحاً يجيد لغات عدة يستطيع فهم قائمة طعام في بلد غريب بمجرد النظر إلى الصور، حتى لو لم يكن يتحدث اللغة بطلاقة.
للتنبؤ بالرواتب (Estimation):
كان هذا أصعب. عانى الذكاء الاصطناعي لتخمين السعر الدقيق بمجرد قراءة الإعلان. ومع ذلك، كان نموذج المرشد المحلي (Llama-SEA-LION) هو الأفضل أداءً. كان الأمر يشبه وكيل عقارات محلي يعرف أسعار الأحياء بشكل أفضل من خبير أجنبي.
- السر الخفي: أصبح الذكاء الاصطناعي أفضل بكثير عندما "أطعموه" المزيد من البيانات. عندما قاموا بتدريب الذكاء الاصطناعي على كل من مكتبة VietJobs الجديدة ومجموعة بيانات قديمة وأصغر، أصبح خبيراً حقيقياً. إنه يشبه الدراسة من كتابين مختلفين بدلاً من كتاب واحد فقط؛ فكلما رأيت أمثلة أكثر، أصبحت أفضل في تخمين النمط.

4. لماذا يهم هذا؟

قبل هذه الورقة البحثية، كانت دراسة سوق العمل الفيتنامي باستخدام الكمبيوتر تشبه محاولة حل لغز بقطع ناقصة.

للباحثين: لديهم الآن لغز كامل لدراسة كيف تؤثر اللغة، والجنس، والموقع على التوظيف.
للمجتمع: يساعدنا هذا في فهم ما إذا كانت إعلانات الوظائف عادلة أم أنها تحتوي على تحيزات خفية (مثل طلب أعمار أو مظاهر معينة).
للمستقبل: تعد مجموعة البيانات هذه هي الأساس لبناء أدوات ذكاء اصطناعي أفضل يمكنها مساعدة الباحثين عن عمل في العثور على الأدوار المناسبة ومساعدة الشركات في فهم ما تقدمه.

العقبة (القيود)

المؤلفون صريحون بشأن العيوب. البيانات جاءت فقط من موقع واحد (TopCV)، لذا قد تغفل عن سوق الوظائف "الخفي" أو الأعمال غير الرسمية. كما أن بعض أرقام الرواتب كانت مقربة أو مفقودة، مثل قائمة طعام تحتوي على أسعار تقول "اسأل عن السعر" بدلاً من إدراج رقم محدد.

باخت_صار: قامت هذه الورقة البحثية ببناء أول خريطة ضخمة ومنظمة لعالم الوظائف عبر الإنترنت في فيتنام واختبرت مدى قدرة الذكاء الاصطناعي على التنقل فيه. والنتيجة؟ الذكاء الاصطناعي يصبح جيداً جداً في تصنيف الوظائف، ومع القليل من التدريب، يتعلم التنبؤ بالرواتب، مما يمهد الطريق لأدوات توظيف أذكى وأكثر عدلاً في المستقبل.

إليك ملخص تقني مفصل لورقة البحث "VietJobs: مجموعة بيانات إعلانات الوظائف الفيتنامية":

1. بيان المشكلة

تتناول الورقة البحثية الندرة في مجموعات البيانات الضخمة، المتاحة للعموم، والموسومة جيداً لـ معالجة اللغات الطبيعية (NLP) باللغة الفيتنامية، وتحديداً ضمن مجال تحليل سوق العمل.

الفجوة في البيانات: بينما يعد البحث في لغة التوظيف متطوراً في اللغات ذات الموارد العالية (مثل الإنجليزية)، تظل اللغة الفيتنامية منخفضة الموارد. المصادر الموجودة حالياً إما صغيرة جداً، أو تفتقر إلى الأوصاف النصية الكاملة (تركز فقط على العناوين)، أو غير متاحة للجمهور.
التحديات اللغوية: تفرض اللغة الفيتنامية تحديات فريدة في معالجة اللغات الطبيعية، بما في ذلك الهياكل النغمية، والتركيب الصرفي المركب، والتبديل اللغوي المتكرر (code-switching) مع اللغة الإنجليزية، مما يعقد عمليات التجزئة (tokenization) والتفسير الدلالي.
الثغرات الاجتماعية والاقتصادية: هناك نقص في الأدوات الحسابية لتحليل كيفية عكس لغة التوظيف للأعراف الاجتماعية (مثل التحيز في النوع الاجتماعي، العمر، أو المظهر) وديناميكيات سوق العمل في فيتنام.

2. المنهجية

أ. بناء مجموعة البيانات (VietJobs)

جمع البيانات: قام المؤلفون بتجميع 48,092 إعلاناً وظيفياً من منصة TopCV.vn عبر جميع المقاطعات والبلديات الـ 34 في فيتنام في يوليو 2025.
خط معالجة الاستخراج:
- الزحف (Crawling): تم استخدام إطار العمل مفتوح المصدر Crawl4AI للحصول الأولي على الروابط وزحف الصفحات.
- التحليل (Parsing): تم استخدام النماذج اللغوية الكبيرة (GPT-4o و Gemini 2.5) عبر واجهة برمجة التطبيقات (API) لتحليل قوالب HTML المتنوعة، واستخراج الحقول المهيكلة مع الحفاظ على السلامة اللغوية.
- الأخلاقيات: التزم الجمع باللوائح الأخلاقية المؤسسية والأنظمة الوطنية؛ ولم يتم جمع أي معلومات تحديد هوية شخصية (PII).
تطبيع البيانات:
- التصنيف (Taxonomy): تم ربط 24 فئة مصدرية خام بـ 16 مجالاً مهنياً موحداً (بناءً على معايير ISCO-08 و O*NET و ESCO) لضمان الاتساق.
- توحيد الرواتب: تم استخراج بيانات الرواتب وتطبيعها إلى حقول الحد الأدنى والحد الأقصى والمتوسط (بملايين الدونغ الفيتنامي). احتوت حوالي 71.5% من المنشورات على نطاقات رواتب صريحة.
إحصائيات المتن (Corpus Statistics): تحتوي مجموعة البيانات على أكثر من 15.4 مليون توكن (token) مع مفردات تضم حوالي 78,000 توكن فريد. تغطي 16 فئة وظيفية، وأكبر القطاعات هي الأعمال/المبيعات والتصنيع.

ب. الإعداد التجريبي

قام المؤلفون باختبار 10 نماذج لغوية كبيرة توليدية (LLMs) عبر ثلاث فئات:

متعددة اللغات: Qwen2.5-7B, Llama-3.1-8B, Granite-3.3-8B, Ministral-8B.
المركزة على دول جنوب شرق آسيا (ASEAN): Llama-SEA-LION-v3-8B-IT, Sailor2-8B, SeaLLMs-v3-7B.
الخاصة بالفيتنامية: PhoGPT-4B, BloomVN-8B, Vistral-7B.

المهام التي تم تقييمها:

تصنيف الفئة الوظيفية: التنبؤ بواحدة من 16 فئة معيارية من أوصاف الوظائف.
تقدير الراتب: التنبؤ بقيم الرواتب (بوحدة "X مليون دونغ") بناءً على السمات المهيكلة (العنوان، الموقع، نوع العقد، الخبرة).

تكوينات التدريب:

Zero-shot (التعلم من دون أمثلة): التوجيه المباشر دون تقديم أمثلة.
Few-shot (التعلم من أمثلة قليلة): التوجيه باستخدام بضعة أمثلة موسومة.
Fine-tuning (الضبط الدقيق): الضبط الدقيق الفعال للمعلمات باستخدام تقنية LoRA (Rank=8, $\alpha$ =16) على وحدة معالجة رسومات NVIDIA A40. تم ضبط النماذج باستخدام VietJobs، ومجموعة بيانات أخرى "Vietnam Jobs Dataset" (من Kaggle)، ومزيج منهما.

3. المساهمات الرئيسية

مجموعة بيانات VietJobs: أول متن لغوي واسع النطاق ومتاح للوصల المفتوح لإعلانات الوظائف الفيتنامية، يوفر بيانات لغوية وديموغرافية وهيكلية غنية لأكثر من 48 ألف منشور.
إطار عمل الاختبار المعياري: وضع بروتوكول تقييم صارم لمعالجة اللغات الطبيعية الفيتنامية، من خلال مقارنة النماذج العالمية والإقليمية والمحلية تحت إعدادات Zero-shot و Few-shot والضبط الدقيق.
رؤى تجريبية: قدم أول تحليل منهجي لكيفية أداء بنيات النماذج المختلفة (متعددة اللغات مقابل المتكيفة إقليمياً) في مهام سوق العمل الفيتنامي.
توافر الموارد: تم إصدار جميع الأكواد والبيانات والموارد علنًا على https://github.com/VinNLP/VietJobs.

4. النتائج

تصنيف الفئة الوظيفية

أفضل أداء: حقق نموذج Qwen2.5-7B-Instruct أعلى دقة (0.47) ودرجة Macro F1 (0.42) في إعداد الـ few-shot.
ملاحظات:
- تفوقت النماذج متعددة اللغات المضبوطة بالتعليمات عموماً على النماذج الخاصة بالفيتنامية في سيناريوهات Zero-shot و Few-shot.
- لم يتفوق الضبط الدقيق باستمرار على التوجيه بنظام Few-shot؛ حيث شهدت بعض النماذج (مثل Ministral-8B) انخفاضاً في الأداء، مما يشير إلى حدوث فرط في التخصيص (overfitting) أو مكاسب محدودة من إعداد الضبط الدقيق المحدد.
- كان أداء Zero-shot منخفضاً بشكل عام (الدقة ~0.31 لـ Qwen)، مما يسلط الض الضوء على الحاجة إلى السياق أو التكيف.

تقدير الراتب

أفضل أداء: أظهر نموذج Llama-SEA-LION-v3-8B-IT الأداء الأكثر قوة عبر جميع الإعدادات.
- Zero-shot: RMSE 11.72, $R^2$ 0.07.
- الضبط الدقيق (المجموعات المشتركة): RMSE 12.40, $R^2$ 0.16.
نتائج رئيسية:
- تأثير الضبط الدقيق: تحسن الأداء بشكل كبير مع الضبط الدقيق، لا سيما عندما تم تدريب النماذج على المجموعة المشتركة (VietJobs + Vietnam Jobs Dataset). يشير هذا إلى أن تنوع البيانات وتغطية الصناعة الأوسع أمران حاسمان للتنبؤ بالرواتب.
- الميزة الإقليمية: تفوق النموذج المتكيف إقليمياً (Llama-SEA-LION) على النماذج العالمية (مثل Llama-3.1) والنماذج الخاصة بالفيتنامية، مما يشير إلى أن التدريب على الفروق اللغوية لجنوب شرق آسيا مفيد للغاية في هذا المجال.
- مشكلات خط الأساس: أنتجت العديد من النماذج (مثل Vistral-7B) مخرجات غير صالحة أو قيم RMSE مرتفعة للغاية في إعدادات Zero-shot، وفشلت في تحليل تنسيق الراتب بشكل صحيح.

5. الأهمية والعمل المستقبلي

مورد تأسيسي: تسد VietJobs الفجوة بين معالجة اللغات الطبيعية الحسابية والتحليل الاجتماعي والاقتصادي لسوق العمل في فيتنام، مما يتيح البحث في التحيز، والتبديل اللغوي، والتفاوتات الاقتصادية الإقليمية.
رؤى حول النماذج: توضح الدراسة أنه بالنسبة للغات منخفضة الموارد مثل الفيتنامية، فإن النماذج متعددة اللغات المتكيفة إقليمياً (المدربة على بيانات ASEAN) غالباً ما تتفوق على كل من النماذج العالمية العامة والنماذج المدربة حصرياً على اللغة المستهدفة، ويرجع ذلك على الأرجب إلى قدرتها الأفضل على التعامل مع التبديل اللغوي والسياق الثقافي.
الاتجاهات المستقبلية:
- توسيع جمع البيانات ليشمل منصات وفترات زمنية متعددة لالتقاط الاتجاهات الزمنية.
- دمج البيانات متعددة اللغات والديموغرافية لإجراء تحليل أعمق للتحيز.
- استكشاف التقنيات المتقدمة مثل التوليد المعزز بالاسترجاع (RAG) والتدريب المسبق المتكيف مع المجال.
- مقارنة النماذج اللغوية الكبيرة (LLMs) مع خطوط الأساس التقلية لتعلم الآلة (مثل TF-IDF + Logistic Regression) لقياس القيمة المحددة للنماذج التوليدية.

في الختام، تضع VietJobs معياراً جديداً لمعالجة اللغات الطبيعية الفيتنامية، وتثبت أنه بينما تعد النماذج متعددة اللغات الضخمة قوية، فإن النماذج المتكيفة إقليمياً والمدمجة مع مصادر بيانات متنوعة تقدم النهج الأكثر فعالية لمهام التنبؤ بهيكل سوق العمل.