VietJobs: A Vietnamese Job Advertisement Dataset

El artículo presenta VietJobs, el primer corpus público a gran escala de anuncios de empleo en vietnamita con más de 48.000 publicaciones, diseñado para impulsar la investigación en procesamiento del lenguaje natural y análisis del mercado laboral mediante la evaluación de modelos de lenguaje generativo en tareas como la clasificación de categorías y la estimación de salarios.

Lo esencial

Imagina que el mercado laboral de Vietnam es como un gigantesco mercado callejero, lleno de miles de puestos de trabajo, desde vendedores de arroz hasta ingenieros de software. Durante mucho tiempo, los investigadores que querían estudiar este mercado tenían un problema: no tenían un mapa. Solo podían mirar unas pocas tiendas o escuchar rumores, pero nadie tenía una foto completa de todo el mercado.

Aquí es donde entra VietJobs, el "héroe" de este artículo.

1. ¿Qué es VietJobs? (El Gran Mapa)

VietJobs es como si alguien hubiera tomado una cámara de alta velocidad y un cuaderno mágico para fotografiar y escribir 48,092 anuncios de trabajo de todo Vietnam. No es solo una lista; es una biblioteca inmensa con más de 15 millones de palabras.

• La analogía: Piensa en que antes tenías un rompecabezas de 10 piezas. Con VietJobs, de repente tienes las 50,000 piezas completas. Ahora podemos ver el cuadro entero: qué trabajos hay, dónde están (desde Hanói hasta las zonas rurales), cuánto pagan y qué habilidades piden.
• La diversidad: Este mapa cubre 34 provincias y 16 tipos de trabajos diferentes (desde "Ventas" hasta "Salud"). Es como tener un menú que incluye desde la comida callejera más barata hasta los banquetes de lujo.

2. ¿Por qué es importante? (El Traductor Mágico)

Vietnam tiene un idioma muy rico y complejo (con tonos y palabras que se juntan de formas especiales), y hasta ahora, las computadoras (la Inteligencia Artificial) tenían dificultades para entenderlo bien, especialmente en temas de trabajo.

Los autores crearon este dataset para enseñar a las computadoras a "hablar" el idioma del mercado laboral vietnamita. Es como darle a un turista un diccionario y un mapa de calor para que pueda entender no solo las palabras, sino también qué significan realmente los anuncios de trabajo.

3. La Prueba de Fuego (Los Robots Detectives)

Los investigadores no solo crearon el mapa; también pusieron a prueba a varios detectives de Inteligencia Artificial (modelos de lenguaje grandes o LLMs) para ver quién era el mejor en dos misiones:

• Misión A: Clasificar el trabajo. Si les mostraban un anuncio, ¿podían decir si era para un ingeniero, un vendedor o un chef?
• Misión B: Adivinar el salario. Si les daban los detalles del trabajo, ¿podían estimar cuánto dinero ganaría esa persona?

¿Quién ganó?
Resultó que los detectives que ya habían viajado por muchos países (modelos multilingües como Qwen y Llama-SEA-LION) fueron los mejores.

• La analogía: Imagina que le pides a un experto local que adivine el precio de un objeto en un mercado nuevo. Funciona bien. Pero si le pides a un viajero que ha visitado mil mercados diferentes (un modelo multilingüe entrenado con muchos idiomas), a menudo adivina mejor porque entiende patrones globales, incluso si no es nativo de Vietnam.
• El truco: Funcionaron mucho mejor cuando los investigadores les dieron pocos ejemplos para empezar (como mostrarles 3 ejemplos de "trabajo de ventas = 10 millones de dong") en lugar de entrenarlos desde cero. Es como darle a un estudiante un par de ejercicios resueltos antes del examen; aprende mucho más rápido.

4. Lo que descubrieron (Las Sorpresas del Mercado)

Al analizar los datos, encontraron cosas interesantes:

• La transparencia del dinero: En más del 70% de los anuncios, el precio estaba claro. Pero en el resto, los empleadores decían "negociable", lo que hace difícil predecir el salario exacto.
• La brecha salarial: Hay trabajos que pagan muy poco y otros que pagan mucho, pero la mayoría se agrupa en un rango medio (como la mayoría de la gente en un mercado).
• El sesgo: El mercado refleja la realidad social. Algunos anuncios todavía mencionan cosas como la edad o la apariencia, lo cual es un tema importante para estudiar cómo la IA puede ayudar a detectar estas desigualdades en el futuro.

5. ¿Qué pasa ahora? (El Futuro)

Este trabajo es solo el primer paso. VietJobs es como una semilla. Ahora, otros investigadores pueden usar este "jardín de datos" para:

• Crear herramientas que ayuden a los buscadores de empleo a encontrar su camino.
• Detectar si hay discriminación en los anuncios.
• Predecir qué trabajos serán los más populares en el futuro.

En resumen:
Este paper nos dice que finalmente tenemos un espejo gigante y claro del mercado laboral de Vietnam. Antes, mirábamos a través de una ventana empañada; ahora, con VietJobs y la IA, podemos ver con claridad quién está trabajando, cuánto gana y qué necesita el país, ayudando a construir un futuro laboral más justo y eficiente.

Y lo mejor de todo: ¡el mapa está abierto para que cualquiera lo use y explore!

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "VietJobs: A Vietnamese Job Advertisement Dataset" en español, estructurado según los componentes solicitados:

Resumen Técnico: VietJobs

1. Problema y Contexto

El mercado laboral de Vietnam ha crecido junto con su transformación digital, donde plataformas en línea como TopCV juegan un papel central. Sin embargo, existe una carencia significativa de recursos computacionales para el análisis del lenguaje de reclutamiento en vietnamita.

• Limitaciones actuales: La investigación previa se ha centrado mayoritariamente en idiomas de alto recurso (inglés). El vietnamita presenta desafíos específicos como su estructura tonal, morfología compuesta y el frecuente cambio de código (code-switching) con el inglés, lo que dificulta la tokenización y la interpretación semántica.
• Falta de datos: No existía un corpus grande, bien anotado y de acceso público que permitiera estudios a gran escala sobre la diversidad lingüística, sesgos demográficos (género, edad, apariencia) y análisis socioeconómicos en el mercado laboral vietnamita.
• Necesidad de benchmarking: Se requiere evaluar cómo los Modelos de Lenguaje Grandes (LLMs) actuales, diseñados para contextos multilingües o específicos, se desempeñan en tareas complejas de reclutamiento en un idioma de recursos limitados.

2. Metodología

A. Creación del Dataset (VietJobs)

• Recolección: Se recopilaron 48,092 anuncios de trabajo de la plataforma TopCV durante julio de 2025, cubriendo las 34 provincias y municipios de Vietnam.
• Tecnología de extracción: Se utilizó el framework de código abierto Crawl4AI para la navegación web, combinado con LLMs (GPT-4o y Gemini 2.5) para el análisis y extracción estructurada de HTML. Esto permitió preservar la integridad lingüística mientras se extraían campos específicos.
• Estructura del Corpus:
  • Volumen: Más de 15 millones de palabras y un vocabulario de 78,002 tokens únicos.
  • Categorización: Se normalizaron 24 categorías originales en 16 dominios ocupacionales estandarizados (basados en ISCO-08, O*NET y ESCO), como Ventas, Ingeniería, Salud, etc.
  • Datos Estructurados: Incluye títulos de trabajo, salario (mínimo, máximo, promedio en millones de VND), tipo de contrato, ubicación y habilidades. El 71.5% de los anuncios incluyen rangos salariales explícitos.
  • Diversidad: Cubre 16 sectores y tipos de empleo (tiempo completo, parcial, prácticas), con una fuerte representación de Hanoi y Ho Chi Minh City.

B. Evaluación Experimental
Se evaluaron varios LLMs generativos en dos tareas principales:

1. Clasificación de Categorías de Trabajo: Predecir la categoría ocupacional (16 clases) a partir del texto del anuncio.
2. Estimación de Salarios: Predecir el rango salarial basado en atributos estructurados (título, ubicación, experiencia).

Configuración de Modelos:
Se seleccionaron modelos de tres categorías:

• Multilingües globales: Qwen2.5-7B, Llama-3.1-8B, Granite-3.3.
• Enfoque ASEAN: Llama-SEA-LION-v3-8B, Sailor2, SeaLLMs-v3.
• Específicos de Vietnam: PhoGPT, BloomVN, Vistral.

Protocolos de Evaluación:

• Zero-shot: Sin ejemplos previos.
• Few-shot: Con unos pocos ejemplos en el contexto.
• Fine-tuning (Ajuste fino): Entrenamiento con pares instrucción-respuesta utilizando LoRA (Low-Rank Adaptation) en una GPU NVIDIA A40.
• Métricas:
  • Clasificación: Precisión (Accuracy) y Macro F1.
  • Salarios: Error Cuadrático Medio Raíz (RMSE) y Coeficiente de Determinación ($R^2$).

3. Contribuciones Clave

1. Primer Corpus a Gran Escala: VietJobs es el primer dataset público y masivo de anuncios de trabajo en vietnamita, facilitando la investigación en PLN (Procesamiento del Lenguaje Natural) y análisis de mercado laboral.
2. Normalización Estructurada: Proporciona una taxonomía unificada y campos estructurados (salarios, habilidades) que permiten análisis cuantitativos y cualitativos consistentes.
3. Benchmarking de LLMs: Establece una línea base rigurosa para evaluar el rendimiento de modelos multilingües, regionales y específicos en tareas de reclutamiento en vietnamita, revelando brechas en la modelización de idiomas de recursos limitados.
4. Recursos Abiertos: Todo el código, datos y recursos están disponibles públicamente en GitHub, promoviendo la reproducibilidad.

4. Resultados Principales

Clasificación de Categorías:

• Mejor Modelo: Qwen2.5-7B-Instruct demostró el rendimiento más robusto y consistente en configuraciones zero-shot (0.31 de precisión) y few-shot (0.47 de precisión).
• Efecto del Few-shot: La inclusión de pocos ejemplos mejoró drásticamente el rendimiento de todos los modelos, superando al zero-shot.
• Ajuste Fino: El fine-tuning no siempre superó al few-shot, y en algunos casos (como Ministral-8B) hubo un ligero deterioro, sugiriendo problemas de sobreajuste o falta de generalización en tareas de clasificación con datos limitados.
• Observación: Los modelos multilingües de gran escala (Qwen) superaron a los modelos específicos de vietnamita en tareas de clasificación general, destacando la ventaja del pre-entrenamiento multilingüe masivo.

Estimación de Salarios:

• Mejor Modelo: Llama-SEA-LION-v3-8B-IT fue el más robusto, logrando el RMSE más bajo (10.24) y el $R^2$ más alto (0.23) cuando se ajustó finamente en ambos conjuntos de datos (VietJobs + Vietnam Jobs Dataset).
• Impacto del Fine-tuning: El ajuste fino mejoró consistentemente el rendimiento. El modelo zero-shot de Llama-SEA-LION ya superaba a otros modelos zero-shot, pero el fine-tuning en datos combinados (VietJobs + Dataset externo) ofreció la mayor precisión.
• Desempeño de Modelos Específicos: Modelos como Vistral y BloomVN mostraron resultados muy pobres o inestables en tareas de regresión de salarios en configuración zero-shot, con errores extremadamente altos.

5. Significado e Implicaciones

• Avance en PLN para Vietnam: VietJobs llena un vacío crítico en los recursos lingüísticos, permitiendo el desarrollo de aplicaciones de IA sensibles al contexto cultural y socioeconómico de Vietnam.
• Análisis de Mercado Laboral: El dataset permite estudiar sesgos (género, edad, apariencia), disparidades salariales regionales y la evolución de las habilidades demandadas.
• Validación de Modelos Regionales: Los resultados sugieren que, aunque los modelos multilingües globales son fuertes, los modelos adaptados regionalmente (como Llama-SEA-LION) pueden ofrecer un mejor equilibrio para tareas específicas de economía laboral en el sudeste asiático, especialmente cuando se combinan con fine-tuning.
• Ética y Futuro: El estudio se realizó bajo estrictas directrices éticas, excluyendo datos personales. El trabajo futuro se dirige a expandir la cobertura a más plataformas, incorporar datos demográficos y comparar estos métodos con enfoques tradicionales de aprendizaje automático.

En conclusión, VietJobs no solo proporciona un recurso de datos fundamental, sino que también establece un nuevo estándar para la investigación en la intersección entre la inteligencia artificial, la lingüística y la economía laboral en Vietnam.