Explainable Labor Market Intelligence from Online Job Postings: Multi-Frequency Skill Demand Monitoring and Forecasting
تقترح هذه الدراسة إطار عمل لتفسير ذكاء سوق العمل يحلل أكثر من 124,000 إعلان وظيفة من LinkedIn باستخدام التفكيك متعدد الترددات وتوقعات XGBoost لتوليد إشارات قابلة للتنفيذ والتفسير حول استمرارية الطلب على المهارات والاتجاهات من أجل التخطيط الاستراتيجي للقوى العاملة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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 كمحيط شاسع وصاخب. لعقود من الزمن، اعتمد الأشخاص الذين يحاولون الإبحار في هذه المياه — مثل الشركات التي تسعى للتوظيف أو المدارس التي تحاول تعليم المهارات الصحيحة — على خرائط قديمة وثقيلة. هذه الخرائط، التي تُسمى الإحصاءات الرسمية للعمالة، دقيقة ولكنها بطيئة؛ فهي تشبه صورة فوتوغرافية التُقطت الشهر الماضي، تُظهر أين كانت الأسماك، وليس أين تسبح الآن. في العصر الرقمي، ظهر نوع جديد من الإشارات: إعلانات الوظائف عبر الإنترنت. فكر في هذه الإعلانات كأنها تموجات حقيقية على سطح الماء، تُظهر فوراً أين تتحطم الأمواج وأين تتغير التيارات.
ولفهم هذه التموجات، يستخدم العلماء بعض الأدوات الرئيسية. إحداها هي التنبؤ (Forecasting)، وهو ببساطة محاولة تخمين أين ستذهب المياه بناءً على كيفية تحركها من قبل. والأخرى هي الاستمرارية (Persistence)، وهي كلمة منمقة تعني "الالتصاق" أو "الثبات". إذا استمرت موجة في التدفق في نفس الاتجاه لفترة طويلة، فإنها تتمتع باستمرارية عالية؛ أما إذا غيرت اتجاهها كل ثانية، فهي فوضوية. وأخيراً، هناك القابلية للتفسير (Explainability). في الماضي، كانت الحواسيب تعمل كـ "صناديق سوداء"، تعطي إجابات دون توضيح السبب. أما الآن، فنحن نريدها أن تعمل كدليل ودود يشير إلى الخريطة ويقول: "أعتقد أن الماء يتجه في هذا المسار لأن الرياح تهب من هنا". إن فهم هذه المفاهيم أمر بالغ الأهمية، لأنه إذا استطعنا قراءة إشارات المحيط في الوقت الفعلي، فيمكننا التوقف عن التوظيف لوظائف تتلاشى، والبدء في التدريب للوظائف التي بدأت لتوها في الارتفاع.
هذه الدراسة، التي تحمل عنوان "ذكاء سوق العمل القابل للتفسير من إعلانات الوظائف عبر الإنترنت"، تغوص في هذا المحيط الرقمي لترى ما إذا كان بإمكاننا التنبؤ بمستقبل العمل بوضوح أكبر. لقد جمع الباحثون مجموعة ضخمة تضم أكثر من 124,000 إعلان وظيفي من موقع "لينكد إن" (LinkedIn)، جُمعت بين ديسمبر 2023 وأبريل 2024. وبدلاً من مجرد عدّ عدد الوظائف المعلنة، قاموا ببناء "مؤشر الطلب الأسبوعي على المهارات"، والذي يعمل كمقياس سرعة لمدى طلب أصحاب العمل لمهارات معينة، مثل البرمجة، أو المبيعات، أو الرعاية الصحية.
استخدم الفريق حيلة رياضية ذكية تسمى تفكيك النمط التجريبي (Empirical Mode Decomposition). تخيل أن لديك تسجيلاً مشوشاً ومزعجاً لأغنية؛ هذه الأداة تفصل التسجيل إلى طبقات مختلفة: الضجيج عالي التردد (الضوضاء قصيرة المدى)، والإيقاع (الدورات متوسطة المدى)، واللحن الرئيسي (الاتجاه طويل المدى). ومن خلال فصل هذه الطبقات، استطاع الباحثون معرفة ما إذا كانت طفرة الطلب على وظيفة ما مجرد خلل مؤقت أم بداية لاتجاه مستدام.
بعد ذلك، طبقوا تحليل هيرست (Hurst Analysis) لقياس "الاستمرارية". فكر في هذا كعملية فحص ما إذا كان للاتجاه زخم. إذا كانت المهارة تمتلك درجة استمرارية عالية (أعلى من 0.5)، فهذا يعني أنه إذا كان الطلب في ارتفاع، فمن المرجح أن يستمر في الارتفاع، مثل كرة ثلج تتدحرج من فوق تلة. أما إذا كانت الدرجة منخفضة، فقد يتقلب الاتجاه بشكل عشوائي. وجدت الدراسة أن جميع المهارات التي بحثوها تقريباً كانت تمتلك استمرارية عالية، مما يعني أن الطلب على العمالة يميل إلى الالتزام بمساره بدلاً من التذبذب عشوائياً.
وللتنبؤ بما سيحدث لاحقاً، استخدموا نموذج تعلم آلي يسمى XGBoost. ومع ذلك، بدلاً من ترك النموذج يعمل كصندوق أسود، أضافوا أداة SHAP، وهي أداة تعمل ككشاف ضوئي، تُظهر بالضبط العوامل التي دفعت التنبؤ. كانت النتائج كاشفة: لم يكن النموذج بحاجة إلى بيانات معقدة لتقديم تخمينات جيدة؛ بل اعتمد بشكل أساسي على حجم الطلب في الأسبوع الماضي ومدى سرعة تغير ذلك الطلب. حقق النموذج دقة (R²) بلغت 0.386، وهو ما أشار المؤلفون إلى أنه كافٍ لتحديد اتجاه السوق، حتى لو لم يتنبأ بالعدد الدقيق للوظائف.
الجزء الأكثر إثارة في الدراسة هو كيفية تصنيف المهارات إلى أربع مجموعات متميزة، محولةً البيانات الخام إلى دليل استراتيجي:
- المهارات الناشئة: هذه هي النجوم الصاعدة. كانت الرعاية الصحية هي المهارة الوحيدة في هذه الفئة، حيث أظهرت معدل نمو هائل بلغ +54.6% ودرجة استمرارية عالية جداً بلغت 0.937. وهذا يشير إلى حاجة هيكلية قوية للعاملين في مجال الرعاية الصحية وليست مجرد طفرة مؤقتة.
- مستمرة ولكن متراجعة: هذه فئة دقيقة. أظهرت مهارات مثل تكنولوجيا المعلومات (IT)، والمبيعات، والهندسة استمرارية عالية (بمعنى أن الاتجاه قوي)، ولكن الاتجاه كان هبوطياً. على سبيل المثال، انخفض الطلب على تكنولوجيا المعلومات بنسبة 22.6%. تشير الدراسة إلى أن هذا ليس ركوداً مؤقتاً بل تحولاً هيكلياً، مما يعني أن الشركات يجب أن تتوقف عن التوظيف في أدوار تكنولوجيا المعلومات القديمة وتبدأ في التدريب على الأدوار الجديدة.
- المستقرة: أظهرت مهارات مثل الإدارة والتصنيع انخفاضات طفيفة، لكنها كانت ثابتة ومتوقعة للغاية لدرجة أنها تُعتبر مستقرة. فهي لا تنفجر نمواً، ولكنها لا تنهار أيضاً.
- المتقلبة: رغم أنها لم تكن التركيز الرئيسي للنتائج العليا، إلا أن الإطار مصمم لرصد المهارات التي ترتفع وتنخفض بجنون، مما يحذر أصحاب العمل من المبالغة في رد الفعل تجاه الطفرات قصيرة المدى.
يشير المؤلفون بعناية إلى أن هذه النتائج تستند إلى نافذة زمنية قصيرة نسبياً (حوالي 17 أسبوعاً) وتأتي من منصة محددة (LinkedIn)، لذا فهي تمثل سوق العمل "الرقمي" وليس كل وظيفة في العالم. وهم يقترحون أنه بينما لا يمكن للنموذج أن يكون مثالياً في التنبؤ بالأرقام الدقيقة، فإنه ممتاز في إخبارنا إلى أين تهب الرياح. ومن خلال الجمع بين البيانات في الوقت الفعلي وهذه الفئات الواضحة والقابلة للتفسير، تقدم الدراسة طريقة جديدة للمدارس والشركات والحكومات للتخطيط للمستقبل، لضمان عدم بناء سفينة لبحر لم يعد موجوداً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.