VietJobs: A Vietnamese Job Advertisement Dataset

Das Paper stellt VietJobs vor, das erste groß angelegte, öffentlich zugängliche Korpus vietnamesischer Stellenanzeigen mit über 48.000 Einträgen, das als Benchmark für NLP-Forschung und Arbeitsmarktanalysen dient und die Leistung verschiedener Large Language Models bei Aufgaben wie Klassifizierung und Gehaltsschätzung evaluiert.

Das Wesentliche

Stellen Sie sich vor, Sie betreten einen riesigen, chaotischen Marktplatz in Vietnam. Auf diesem Markt gibt es Tausende von kleinen Ständen, die alle etwas verkaufen: Jobs. Jeder Stand hat ein Schild mit einer Beschreibung, einem Gehalt und Anforderungen. Aber bisher war dieser Markt für Computer und KI-Forscher ein undurchdringlicher Dschungel. Die Schilder waren auf Vietnamesisch, oft unordentlich geschrieben, und es gab keine Liste, die sagte: „Dieser Stand hier gehört zur Kategorie ‚Handwerk', dieser hier zu ‚Büro'."

Das Papier „VietJobs" ist wie der Bau eines riesigen, organisierten Katalogs für diesen Markt. Hier ist die Erklärung, was die Forscher gemacht haben, einfach und mit ein paar bildhaften Vergleichen erklärt:

1. Der große Datensatz: Ein Fotoalbum für den Arbeitsmarkt

Die Forscher haben nicht nur ein paar Schilder abfotografiert. Sie haben einen digitalen Roboter (einen „Crawler") losgeschickt, der in einer Woche 48.092 Jobanzeigen von einer beliebten vietnamesischen Webseite (TopCV) gesammelt hat.

• Die Analogie: Stellen Sie sich vor, Sie nehmen ein Foto von jedem einzelnen Job in ganz Vietnam – von Hanoi bis Ho Chi Minh-Stadt. Das Ergebnis ist ein riesiges Buch mit über 15 Millionen Wörtern.
• Warum ist das wichtig? Bisher hatten Forscher für Englisch viele solcher Bücher, aber für Vietnamesisch war das Regal fast leer. VietJobs füllt dieses Regal zum ersten Mal mit einem dicken, bunten Band.

2. Die Organisation: Vom Chaos zur Ordnung

In der Realität sind Jobanzeigen oft durcheinander. Ein „Finanzanalyst" und ein „Buchhalter" könnten auf der Webseite unter verschiedenen, verwirrenden Kategorien stehen.

• Die Analogie: Die Forscher haben wie ein geschickter Bibliothekar gearbeitet. Sie haben alle 48.000+ Schilder genommen, sie gelesen und in 16 klare Schubladen sortiert (z. B. „Vertrieb", „IT", „Gesundheit").
• Das Ergebnis: Jetzt kann man den Arbeitsmarkt nicht nur ansehen, sondern auch analysieren. Man kann sehen, welche Berufe in welchen Provinzen am häufigsten sind und wie die Sprache in den Anzeigen aussieht.

3. Das Gehalt: Die Schatzkarte

Einer der schwierigsten Teile eines Jobmarktes ist das Geld. Oft steht da nur „Verhandlungsbasis" oder gar nichts.

• Die Analogie: Die Forscher haben die Gehaltsangaben wie Schatzkarten entschlüsselt. Sie haben herausgefiltert, wo ein Mindest- und Höchstgehalt steht.
• Was sie fanden: Die meisten Jobs liegen im Bereich von 10 bis 15 Millionen Dong (ca. 300–450 Euro) im Monat. Es gibt aber auch „Schatzkisten" mit Gehältern weit über 30 Millionen Dong für Spezialisten. Das hilft zu verstehen, wie viel Menschen in Vietnam wirklich verdienen.

4. Der KI-Test: Wer ist der beste Übersetzer?

Jetzt kommt der spannende Teil: Die Forscher haben verschiedene künstliche Intelligenzen (KI-Modelle) wie Qwen oder Llama an diesen neuen Katalog herangeführt, um zu testen, wie gut sie vietnamesische Jobs verstehen.

• Die Aufgabe 1 (Klassifizierung): Die KI soll lesen: „Ich suche einen Ingenieur für Elektronik" und dann in die richtige Schublade („Elektronik") werfen.
• Die Aufgabe 2 (Gehaltsschätzung): Die KI soll lesen: „Wir suchen einen erfahrenen Manager in Ho Chi Minh-Stadt" und raten: „Das wird wohl 20 Millionen Dong kosten."

Die Ergebnisse:

• Der Anfänger (Zero-Shot): Wenn man der KI einfach nur die Aufgabe gibt, ohne ihr Beispiele zu zeigen, stolpern viele Modelle. Sie verstehen die Nuancen der vietnamesischen Sprache nicht gut.
• Der Lernende (Few-Shot & Fine-Tuning): Wenn man der KI ein paar Beispiele zeigt („Hier ist ein Beispiel für einen IT-Job, hier ist ein Beispiel für einen Arzt-Job"), wird sie plötzlich viel besser.
• Der Gewinner: Ein Modell namens Llama-SEA-LION (ein KI-Modell, das speziell für Südostasien trainiert wurde) und Qwen haben am besten abgeschnitten. Sie haben gelernt, dass vietnamesische Jobanzeigen oft eine Mischung aus vietnamesischen und englischen Wörtern sind (Code-Switching) und dass kulturelle Details wichtig sind.

5. Warum ist das alles wichtig?

Stellen Sie sich vor, Sie wollen wissen, ob es in Vietnam Diskriminierung bei der Einstellung gibt (z. B. ob Frauen oder ältere Menschen benachteiligt werden). Ohne diesen großen Datensatz ist das unmöglich zu messen.

• Die Metapher: VietJobs ist wie ein Teleskop für den Arbeitsmarkt. Früher sahen Forscher nur einen kleinen, unscharfen Fleck. Jetzt haben sie ein scharfes Bild, das zeigt, wie die Wirtschaft wirklich funktioniert, wo die Lücken sind und wie KI helfen kann, faire Arbeitsplätze zu finden.

Zusammenfassung

Dieses Papier sagt im Grunde: „Wir haben den größten, saubersten Datensatz für vietnamesische Jobs gebaut. Wir haben ihn in Schubladen sortiert, die Gehälter analysiert und getestet, welche KI am besten damit umgehen kann. Das Ergebnis ist ein mächtiges Werkzeug, das nicht nur für Computerwissenschaftler, sondern für jeden, der verstehen will, wie der Arbeitsmarkt in Vietnam funktioniert, ein Game-Changer ist."

Es ist der Anfang einer neuen Ära, in der KI hilft, die Sprache der Arbeit in Vietnam zu verstehen, statt nur zu raten.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „VietJobs: A Vietnamese Job Advertisement Dataset" auf Deutsch:

1. Problemstellung und Motivation

Der vietnamesische Arbeitsmarkt hat sich durch die digitale Transformation stark gewandelt, wobei Online-Rekrutierungsplattformen eine zentrale Rolle spielen. Trotz der wachsenden Bedeutung bleiben linguistische und strukturelle Merkmale von Stellenanzeigen in Vietnam für die computergestützte Analyse (NLP) weitgehend unerforscht.

• Datenmangel: Im Gegensatz zu englischsprachigen oder anderen ressourcenreichen Sprachen fehlt es an großen, öffentlich zugänglichen und gut annotierten Datensätzen für das Vietnamesische.
• Sprachliche Herausforderungen: Die vietnamesische Sprache stellt durch ihre tonale Struktur, kompositionelle Morphologie und häufigen Code-Switching-Effekte (Mischung mit Englisch) besondere Anforderungen an Tokenisierung, Normalisierung und semantische Interpretation.
• Forschungslücke: Bestehende Studien konzentrieren sich oft auf englische Daten oder nutzen nur begrenzte Ressourcen (z. B. nur Jobtitel ohne Beschreibungen), was die Analyse von Bias, Lohnunterschieden und sozioökonomischen Mustern erschwert.

2. Methodik und Datensatz (VietJobs)

Das Paper stellt VietJobs vor, den ersten groß angelegten, öffentlich zugänglichen Korpus vietnamesischer Stellenanzeigen.

• Datenerhebung:
  • Quelle: Daten wurden im Juli 2025 von der Plattform TopCV.vn gesammelt.
  • Umfang: 48.092 Stellenanzeigen aus allen 34 Provinzen und Gemeinden Vietnams (mit Schwerpunkten in Hanoi und Ho-Chi-Minh-Stadt).
  • Volumen: Über 15,4 Millionen Wörter und ein Vokabular von über 78.000 eindeutigen Tokens.
  • Technik: Nutzung des Open-Source-Frameworks Crawl4AI in Kombination mit LLM-gestütztem Parsing (GPT-4o und Gemini 2.5) zur strukturierten Extraktion aus HTML-Templates unter Wahrung der sprachlichen Integrität.
• Datenstruktur und Normalisierung:
  • Kategorisierung: Die ursprünglich 24 verschiedenen Kategorien der Plattform wurden in ein harmonisiertes Taxonomie-System mit 16 Berufsgruppen (basierend auf ISCO-08, O*NET und ESCO) normalisiert.
  • Strukturierte Felder: Der Datensatz enthält Jobtitel, Kategorien, Gehaltsangaben (Min, Max, Durchschnitt in Millionen VND), Vertragsarten (Vollzeit, Teilzeit, Praktikum) und Skills.
  • Gehaltsdaten: 71,5 % der Anzeigen enthalten explizite Gehaltsbereiche; der Median liegt bei ca. 10–15 Millionen VND/Monat.
• Ethische Aspekte: Die Erhebung erfolgte unter Einhaltung nationaler Vorschriften und ethischer Richtlinien (keine personenbezogenen Daten, Ethikgenehmigung der Institution).

3. Experimentelle Aufgaben und Modelle

Die Autoren evaluierten den Datensatz an zwei Kernaufgaben unter Verwendung verschiedener Large Language Models (LLMs):

1. Job-Klassifikation: Vorhersage der 16 Berufsgruppen basierend auf dem Anzeigentext.
2. Gehaltsschätzung: Vorhersage des Gehaltsbereichs (in „X triệu" – Millionen VND) basierend auf strukturierten Attributen (Titel, Ort, Erfahrung, etc.).

Bewertete Modelle:
Es wurde eine diverse Auswahl an Modellen getestet, um den Einfluss von Sprachabdeckung und Regionalfokus zu untersuchen:

• Global multilingual: Qwen2.5-7B-Instruct, Llama-3.1-8B-Instruct, Granite-3.3-8B-Instruct.
• ASEAN-fokussiert: Llama-SEA-LION-v3-8B-IT, Sailor2-8B-Chat, SeaLLMs-v3-7B-Chat.
• Vietnamesisch-spezifisch: PhoGPT-4B-Chat, BloomVN-8B-Chat, Vistral-7B-Chat.

Evaluierte Szenarien:

• Zero-Shot (ohne Beispiele), Few-Shot (mit wenigen Beispielen) und Fine-Tuning (auf VietJobs, auf einem externen „Vietnam Jobs Dataset" und auf der Kombination beider).
• Fine-Tuning erfolgte effizient mittels LoRA (Low-Rank Adaptation) auf einem NVIDIA A40 GPU.

4. Ergebnisse

Job-Klassifikation:

• Zero-Shot: Qwen2.5-7B-Instruct erzielte die besten Ergebnisse (Accuracy: 0,31; Macro F1: 0,32). Viele vietnamesisch-spezifische Modelle (z. B. PhoGPT) lieferten unter Zero-Shot-Bedingungen inkonsistente oder falsche Ausgaben.
• Few-Shot: Die Leistung aller Modelle verbesserte sich signifikant (Accuracy auf ~0,45). Qwen2.5-7B-Instruct führte weiterhin (0,47), gefolgt von Llama-SEA-LION-v3-8B-IT (0,45).
• Fine-Tuning: Die Ergebnisse zeigten keine konsistenten Verbesserungen gegenüber Few-Shot; einige Modelle (z. B. Ministral) verschlechterten sich sogar, was auf Overfitting hindeutet.
• Fazit: Große multilinguale Modelle zeigen auch in ressourcenarmen Kontexten eine robuste Generalisierungsfähigkeit.

Gehaltsschätzung:

• Leistungstrend: Die Genauigkeit verbesserte sich konsistent mit dem Grad der Supervision: Zero-Shot < Few-Shot < Fine-Tuning auf VietJobs < Fine-Tuning auf externen Daten < Fine-Tuning auf kombinierten Daten.
• Bestes Modell: Llama-SEA-LION-v3-8B-IT erwies sich als das robusteste Modell. Im Zero-Shot-Modus erreichte es bereits einen RMSE von 11,72 und ein $R^2$ von 0,07. Nach Fine-Tuning auf kombinierten Datensätzen sank der RMSE auf 10,24 und das $R^2$ stieg auf 0,23.
• Einfluss der Daten: Das Fine-Tuning auf dem kombinierten Datensatz (VietJobs + Vietnam Jobs Dataset) führte zu den besten Ergebnissen, da dies eine größere Vielfalt an Branchen und Gehaltsstrukturen bot.

5. Hauptbeiträge und Bedeutung

1. Erster groß angelegter Datensatz: VietJobs ist der erste öffentlich verfügbare Korpus vietnamesischer Stellenanzeigen mit über 48.000 Einträgen und umfassenden strukturierten Metadaten.
2. Benchmark für NLP: Der Datensatz etabliert einen neuen Standard für die Bewertung von LLMs in vietnamesischen Arbeitsmarktkontexten, insbesondere für Klassifikation und Regressionsaufgaben.
3. Erkenntnisse zu LLMs: Die Studie zeigt, dass instruction-tuned, multilinguale Modelle (wie Qwen2.5) und regional angepasste Modelle (wie Llama-SEA-LION) vietnamesisch-spezifischen Modellen in diesen Aufgaben überlegen sein können, insbesondere wenn sie mit Few-Shot-Prompting oder Fine-Tuning kombiniert werden.
4. Sozioökonomische Analyse: Der Datensatz ermöglicht die Untersuchung von Bias, regionalen Unterschieden und der Darstellung von Geschlecht und Alter in Stellenanzeigen, was für die Arbeitsmarktanalyse in Südostasien von großer Bedeutung ist.

6. Limitationen und Ausblick

• Datenquelle: Die Daten stammen nur von einer Plattform (TopCV), was zu einer Unterrepräsentation bestimmter Branchen oder informeller Beschäftigung führen kann.
• Struktur: Gehaltsangaben sind nicht immer standardisiert, und Textfelder enthalten teilweise duplizierte Inhalte.
• Zukünftige Arbeit: Geplant ist die Erweiterung auf weitere Plattformen, die Integration demografischer Daten und der Vergleich mit traditionellen ML-Methoden (z. B. TF-IDF + Logistic Regression) sowie die Nutzung von Retrieval-Augmented Generation (RAG).

Zusammenfassend bietet VietJobs eine wesentliche Grundlage für die Weiterentwicklung von NLP-Anwendungen im vietnamesischen Sprachraum und für datengestützte Analysen des Arbeitsmarktes in Südostasien.