Determinants of Starting Salaries for Filipino Graduates: An Explainable Machine Learning Approach
Diese Studie verwendet einen erklärbaren maschinellen Lernansatz auf Crowdsourcing-Umfragedaten, um zu zeigen, dass die Berufsrolle und die Branche die primären Determinanten der Einstiegsgehälter für philippinische Absolventen sind, was den institutionellen Prestige deutlich überwiegt und die Notwendigkeit nahelegt, sektorspezifische Fähigkeiten in der Berufsberatung und Politik zu priorisieren.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In den Philippinen finden sich eine beträchtliche Anzahl von Hochschulabsolventen ohne Arbeit wieder, was eine scharfe Diskrepanz zwischen den Jahren im Klassenzimmer und der Realität des Arbeitsmarktes schafft. Für diejenigen, die eine Beschäftigung finden, dient das Einstiegsgehalt als klares Signal dafür, wie sehr die Wirtschaft ihren spezifischen Hintergrund wertschätzt. Traditionell haben Forscher diese Ergebnisse verfolgt, indem sie einfach gezählt haben, wie viele Absolventen beschäftigt sind und wie hoch ihr Durchschnittsverdienst ist, ganz ähnlich wie bei einer Bestandsaufnahme bei einem Klassentreffen. Diese Zählungen sagen uns jedoch, was passiert ist, nicht warum es passiert ist oder was der nächsten Gruppe von Studenten passieren wird. Um die wahren Treiber des Gehalts zu verstehen, muss man über einfache Durchschnitte hinausblicken und fragen, welche spezifischen Faktoren ein Gehalt tatsächlich nach oben drücken oder nach unten ziehen.
Ein Forschungsteam der University of the Philippines versuchte, diese Frage zu beantworten, indem sie moderne Techniken des maschinellen Lernens auf einen einzigartigen Datensatz anwandten. Sie analysierten Antworten aus einer Crowdsourcing-Umfrage namens „First Pay“, die Informationen von fast dreitausend philippinischen Absolventen über ihre ersten Jobs gesammelt hatte. Da die Daten aus einem offenen Online-Formular stammten, waren sie unordentlich und unstrukturiert; Jobtitel wurden auf viele verschiedene Arten geschrieben, und einige wichtige Details wie Unternehmensgröße oder Standort fehlten. Die Forscher behandelten diese verrauschten Informationen wie ein Puzzle und nutzten maschinelles Lernen, um vorherzusagen, in welche Gehaltsklasse ein Absolvent fallen würde, basierend auf Bildung, Geschlecht und Jobdetails. Ihr Ziel war nicht nur eine Vorhersage zu treffen, sondern eine Methode namens erklärbare künstliche Intelligenz zu nutzen, um genau zu verstehen, auf welche Informationen der Computer bei seiner Entscheidung zurückgriff.
Die Studie offenbarte eine klare und etwas überraschende Wahrheit über den lokalen Arbeitsmarkt: Die spezifische Jobrolle und die Branche, in die ein Absolvent eintritt, sind weitaus wichtiger als der Prestigewert der besuchten Universität. Wenn die Forscher den Computer die Daten analysieren ließen, ignorierte dieser konsequent den Ruf der Schule und konzentrierte sich stattdessen fast ausschließlich darauf, was die Person tatsächlich tut und wo sie arbeitet. Beispielsweise lernte der Computer, dass ein Absolvent, der in einem spezifischen Sektor wie Bergbau oder Management arbeitet, wahrscheinlich deutlich mehr verdienen wird als jemand in der Bauwirtschaft oder im klerikalen Bereich, unabhängig davon, ob er eine Privatuniversität oder eine staatliche Universität besucht hat. Dieser Befund war so stark, dass er sich über drei verschiedene Arten der Datentestung hinweg zeigte, was darauf hindeutet, dass der Markt funktionale Fähigkeiten und Branchenausrichtung viel stärker belohnt als den Markennamen eines Abschlusses.
Um sicherzustellen, dass dieses Ergebnis kein Zufall war, testeten die Forscher ihren Ansatz auf verschiedene Weise. Erstens verwendeten sie eine Technik, die eine Vorhersage zerlegt, um zu sehen, welcher Input am meisten beitrug, wobei bestätigt wurde, dass Jobtitel und Branchennamen die primären Treiber waren. Zweitens versuchten sie, die Fähigkeit des Computers zu verbessern, den unordentlichen Text von Jobbeschreibungen zu lesen, indem sie fortschrittliche Sprachwerkzeuge einsetzten, nur um festzustellen, dass der Computer immer noch am stärksten auf die spezifischen Wörter, die den Job und die Branche beschrieben, vertraute. Schließlich versuchten sie, das Problem so umzuformulieren, dass der Computer über die ökonomische Bedeutung einer Gehaltsspanne statt nur über das Abgleichen von Schlüsselwörtern schlussfolgern konnte. Selbst mit diesem anspruchsvolleren Denkansatz neigte der Computer immer noch stark zum Rohtext der Jobrolle und der Branche, um seine besten Vermutungen anzustellen. Diese Konsistenz über verschiedene Methoden hinweg deutet darauf hin, dass die Dominanz von Jobrolle und Branche ein echtes Merkmal der Daten ist und nicht ein Artefakt eines spezifischen Computermodells.
Die Forscher entdeckten auch, dass die Schwierigkeit bei der Vorhersage exakter Gehälter nicht auf mangelnde Rechenleistung zurückzuführen war, sondern auf die Einschränkungen der Daten selbst. Da die Umfrage auf selbstberichteten Informationen basierte und Details wie Unternehmensgröße oder Berufserfahrung fehlten, gab es eine natürliche Obergrenze für die Genauigkeit, mit der der Computer Ergebnisse vorhersagen konnte. Die Daten waren besonders unklar für Absolventen mit mittleren Einkommen, bei denen sich viele verschiedene Arten von Jobs in der Bezahlung überschneiden. Während die Forscher feststellten, dass die Gruppierung von Gehältern in breitere, ökonomisch bedeutsame Kategorien die Genauigkeit des Computers verbesserte, blieb die grundlegende Lektion dieselbe: Der spezifische Weg, den ein Absolvent einschlägt, zählt mehr als die Schule, die er besucht hat.
Letztendlich legt diese Arbeit nahe, dass die Berufsorientierung und die Bildungspolitik in den Philippinen ihren Fokus verschieben sollten. Anstatt den Prestigewert einer Universität zu betonen, deutet die Evidenz darauf hin, den Studenten dabei zu helfen, ihre Fähigkeiten mit spezifischen, wertvollen Sektoren und Rollen in Einklang zu bringen. Die Studie zeigt, dass die Daten zwar unvollkommen waren, das Signal jedoch klar genug war, um zu zeigen, dass der Arbeitsmarkt das, was ein Absolvent tut, weit mehr schätzt als den Ort, an dem er studierte. Indem sie über einfache Beschreibungen von Beschäftigungsraten hinaus zu einem tieferen, datengesteuerten Verständnis dessen gehen, was das Gehalt antreibt, bietet diese Forschung eine klarere Landkarte für Absolventen, Pädagogen und politische Entscheidungsträger, die sich in der komplexen Landschaft des philippinischen Arbeitsmarktes bewegen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.