Determinants of Starting Salaries for Filipino Graduates: An Explainable Machine Learning Approach
Cette étude emploie une approche d'apprentissage automatique explicable sur des données d'enquêtes issues du financement participatif pour démontrer que le rôle professionnel et le secteur d'activité sont les principaux déterminants des salaires de départ des diplômés philippins, surpassant de manière significative le prestige institutionnel et suggérant la nécessité de donner la priorité aux compétences sectorielles spécifiques dans l'orientation de carrière et les politiques publiques.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Aux Philippines, un nombre important de diplômés de l'enseignement supérieur se retrouvent sans emploi, créant un décalage marqué entre les années passées en classe et la réalité du marché du travail. Pour ceux qui parviennent à trouver un emploi, le salaire de départ qu'ils reçoivent agit comme un signal clair de la valeur que l'économie accorde à leur parcours spécifique. Traditionnellement, les chercheurs ont suivi ces résultats en comptant simplement combien de diplômés sont employés et quel est leur salaire moyen, un peu comme si l'on faisait l'appel lors d'une réunion d'anciens élèves. Cependant, ces décomptes nous disent ce qui s'est passé, mais pas pourquoi cela s'est produit ni ce qui arrivera au prochain groupe d'étudiants. Pour comprendre les véritables moteurs de la rémunération, il faut regarder au-delà des simples moyennes et se demander quels facteurs spécifiques font monter ou descendre un salaire.
Une équipe de chercheurs de l'Université des Philippines a cherché à répondre à cette question en appliant des techniques modernes d'apprentissage informatique à un ensemble de données uniques. Ils ont analysé les réponses d'une enquête participative appelée « First Pay », qui a recueilli des informations sur près de trois mille diplômés philippins concernant leurs premiers emplois. Comme les données provenaient d'un formulaire en ligne ouvert, elles étaient désordonnées et non structurées ; les intitulés de postes étaient écrits de nombreuses façons différentes, et certains détails importants comme la taille de l'entreprise ou la localisation manquaient. Les chercheurs ont traité ces informations bruitées comme un puzzle, utilisant l'apprentissage automatique pour prédire dans quelle tranche de salaire un diplômé se situerait en fonction de son éducation, de son genre et des détails de son emploi. Leur objectif n'était pas seulement de faire une prédiction, mais d'utiliser une méthode appelée intelligence artificielle explicable pour comprendre exactement sur quelles informations l'ordinateur s'est appuyé pour prendre sa décision.
L'étude a révélé une vérité claire et quelque peu surprenante sur le marché du travail local : le rôle spécifique occupé et le secteur d'activité dans lequel le diplômé entre sont bien plus importants que le prestige de l'université fréquentée. Lorsque les chercheurs ont laissé l'ordinateur analyser les données, celui-ci a systématiquement ignoré la réputation de l'école pour se concentrer presque entièrement sur ce que la personne fait réellement et l'endroit où elle travaille. Par exemple, l'ordinateur a appris qu'un diplômé travaillant dans un secteur spécifique comme les mines ou la gestion gagnerait probablement nettement plus qu'une personne travaillant dans la construction ou les tâches administrères, qu'il soit diplômé d'une université privée ou d'une université publique. Cette conclusion était si forte qu'elle est apparue à travers trois méthodes différentes de test des données, suggérant que le marché récompense les compétences fonctionnelles et l'alignement sectoriel bien plus que le nom de marque d'un diplôme.
Pour s'assurer que ce résultat n'était pas un coup de chance, les chercheurs ont testé leur approche de plusieurs manières différentes. Premièrement, ils ont utilisé une technique qui décompose une prédiction pour voir quelle donnée a le plus contribué, confirmant que les intitulés de postes et les noms de secteurs étaient les principaux moteurs. Deuxièmement, ils ont tenté d'améliorer la capacité de l'ordinateur à lire le texte désordonné des descriptions de postes en utilisant des outils de langage avancés, pour finalement constater que l'ordinateur s'appuyait toujours principalement sur les mots décrivant l'emploi et le secteur. Enfin, ils ont tenté de recadrer le problème pour que l'ordinateur puisse raisonner sur la signification économique d'une tranche de salaire plutôt que de simplement faire correspondre des mots-clés. Même avec cette approche de raisonnement plus sophistiquée, l'ordinateur s'est toujours appuyé fortement sur le texte brut du rôle et du secteur pour faire ses meilleures suppositions. Cette cohérence à travers différentes méthodes suggère que la dominance du rôle professionnel et du secteur est une caractéristique réelle des données, et non un artefact d'un modèle informatique spécifique.
Les chercheurs ont également découvert que la difficulté à prédire les salaires exacts ne provenait pas d'un manque de puissance de calcul, mais plutôt des limites des données elles-mêmes. Comme l'enquête reposait sur des informations autodéclarées et manquait de détails tels que la taille de l'entreprise ou les années d'expérience, il y avait un plafond naturel à la précision avec laquelle l'ordinateur pouvait prédire les résultats. Les données étaient particulièrement floues pour les diplômés percevant des salaires intermédiaires, où de nombreux types d'emplois se chevauchent en termes de rémunération. Bien que les chercheurs aient constaté que le regroupement des salaires en catégories plus larges et économiquement significatives améliorait la précision de l'ordinateur, la leçon fondamentale restait la même : le parcours spécifique qu'emprunte un diplômé importe plus que l'école dont il est issu.
En fin de compte, ce travail suggère que l'orientation de carrière et les politiques éducatives aux Philippines devraient changer de priorité. Au lieu de mettre l'accent sur le prestige d'une université, les preuves indiquent qu'il est préférable d'aider les étudiants à aligner leurs compétences avec des secteurs et des rôles à haute valeur ajoutée. L'étude démontre que, bien que les données fussent imparfaites, le signal était assez clair pour montrer que le marché du travail valorise ce que fait un diplômé bien plus que l'endroit où il a étudié. En allant au-delà des simples descriptions des taux d'emploi pour une compréhension plus profonde et basée sur les données de ce qui détermine la rémunération, cette recherche offre une carte plus précise pour les diplômés, les éducateurs et les décideurs politiques naviguant dans le paysage complexe du marché du travail philippin.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.