VietJobs: A Vietnamese Job Advertisement Dataset

Dit paper introduceert VietJobs, het eerste grote, publiek beschikbare corpus van 48.092 Vietnamese vacatureadvertenties dat dient als nieuwe benchmark voor NLP-onderzoek en arbeidsmarktanalyse, met resultaten van verschillende generatieve grote taalmodellen op taken zoals vacatureclassificatie en salarisschatting.

De kern

Stel je voor dat de arbeidsmarkt in Vietnam een enorme, drukke markt is, vol met duizenden kraampjes die vacatures aanbieden. Tot nu toe was het voor onderzoekers en computers bijna onmogelijk om deze markt goed te begrijpen, omdat de informatie verspreid lag, in een taal (Vietnamees) die voor computers lastig is, en er geen grote, georganiseerde database bestond om naar te kijken.

Deze paper introduceert VietJobs: een gigantisch nieuw "spiegelbeeld" van die markt. Hier is een uitleg in gewone taal, met wat creatieve vergelijkingen:

1. De Grote Verzameling (Het Dataset)

Stel je voor dat je een fotograaf bent die een jaar lang elke dag naar die markt loopt en elke vacature opschrijft. Dat is wat de auteurs hebben gedaan.

• Wat is het? Een verzameling van 48.092 vacatures uit heel Vietnam, van de noordelijke grens tot het zuiden.
• Hoe groot is het? Het bevat meer dan 15 miljoen woorden. Dat is alsof je 30.000 dikke romans in één keer hebt.
• Waarom is dit speciaal? Voorheen hadden onderzoekers alleen maar "kruimels" van data in het Vietnamees. Nu hebben ze een hele "koek" om op te kauwen. Het dekt 34 provincies en 16 verschillende beroepsgroepen, van verkoop en techniek tot zorg en landbouw.

2. De Uitdaging: De Taal is een Puzzel

Vietnamees is voor computers een beetje zoals een ingewikkeld legpuzzel.

• Toon en samenstelling: Het is een toontaal (waarbij de toon de betekenis verandert) en woorden worden vaak samengevoegd. Bovendien wisselen mensen vaak tussen Vietnamees en Engels (bijvoorbeeld: "Ik zoek een developer voor een startup").
• Het probleem: Computers vinden dit lastig te "lezen". De auteurs hebben dit dataset gemaakt om te helpen bij het oplossen van deze puzzel, zodat AI-systemen beter kunnen begrijpen wat er in een vacature staat.

3. De Proef: Kunnen Computers dit?

De auteurs hebben gekeken of moderne "super-intelligente" computers (Large Language Models of LLM's) twee dingen kunnen doen met deze data:

• Opdracht A: De Beroeps-Soortherkenning

  • De analogie: Stel je voor dat je een brief leest en moet raden: "Is dit een vacature voor een kok, een leraar of een ingenieur?"
  • Het resultaat: De computers waren eerst een beetje verdwaald (ze raadden maar 30% goed). Maar toen ze een paar voorbeelden kregen (de "few-shot" methode), werden ze plotseling slim en raadden ze bijna de helft goed. De slimste computer (Qwen2.5) deed het het beste, zelfs zonder dat hij speciaal voor deze taak was getraind.

• Opdracht B: Het Salaris Voorspellen

  • De analogie: Dit is als een waarzegger die probeert te raden hoeveel geld iemand gaat verdienen, alleen op basis van de titel van de baan en de locatie.
  • Het resultaat: Dit is heel lastig. Salarissen variëren enorm. De computers waren aanvankelijk erg onzeker (soms gaven ze een negatief salaris op, wat natuurlijk niet kan!). Maar toen ze extra leerden (door op meer data te worden getraind), werden ze veel beter. De computer die het beste presteerde was Llama-SEA-LION, een model dat specifiek is getraind op talen uit Zuidoost-Azië. Het was alsof een lokale gids de computer meenam in de buurt, waardoor hij de prijskaartjes beter begreep.

4. Waarom is dit belangrijk?

Dit project is niet alleen een lijstje met vacatures. Het is een nieuwe standaard.

• Voor onderzoekers: Het is een gereedschapskist om te zien hoe de arbeidsmarkt verandert, of er discriminatie is (bijvoorbeeld op basis van leeftijd of geslacht) en hoe salarissen zich verhouden.
• Voor de maatschappij: Het helpt om de "onzichtbare" kant van de Vietnamese economie zichtbaar te maken. Net zoals je een kaart nodig hebt om een stad te verkennen, hebben we nu deze dataset nodig om de arbeidsmarkt te begrijpen.

5. De Kijk op de Toekomst (Beperkingen)

Natuurlijk is het niet perfect.

• De bron: Alle data komt van één website (TopCV). Dat is alsof je de hele markt alleen maar bekijkt vanaf één specifiek standpunt. Misschien missen we daardoor de kleine kraampjes in de achterstraten (informele banen).
• Salarissen: Niet elke werkgever geeft een salaris op. Soms staat er "bespreekbaar", wat voor een computer lastig te vertalen is.

Conclusie

Kortom: VietJobs is de eerste keer dat iemand een complete, gedetailleerde foto heeft gemaakt van de Vietnamese online banenmarkt. Het helpt computers om de taal en de cultuur van Vietnam beter te begrijpen, en het legt de basis voor slimme tools die in de toekomst kunnen helpen bij het vinden van werk, het analyseren van lonen en het begrijpen van de economie. Het is een enorme stap vooruit voor kunstmatige intelligentie in deze regio.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "VietJobs: A Vietnamese Job Advertisement Dataset" in het Nederlands:

Probleemstelling

De arbeidsmarkt in Vietnam ondergaat een snelle digitale transformatie, waarbij online wervingsplatforms een centrale rol spelen. Echter, voor de Natural Language Processing (NLP)-gemeenschap is Vietnamese taal een "low-resource" taal. Er ontbreekt een groot, gestructureerd en publiek beschikbaar corpus van Vietnamese vacatures om linguïstische patronen, sociale normen (zoals gender- en leeftijdsdiscriminatie) en arbeidsmarkttrends te analyseren. Bestaande datasets zijn vaak beperkt tot Engelse teksten, bevatten geen volledige tekstuele beschrijvingen, of missen gestructureerde velden zoals salarissen. Dit beperkt de ontwikkeling van domeinspecifieke AI-toepassingen en sociaaleconomisch onderzoek in Zuidoost-Azië.

Methodologie

1. Dataverzameling en Corpusopbouw (VietJobs)

• Bron: Data is verzameld van het populaire platform TopCV in juli 2025.
• Omvang: Het dataset bevat 48.092 vacatures uit alle 34 provincies en gemeenten van Vietnam, met in totaal meer dan 15,4 miljoen woorden.
• Verzameling: Er werd gebruikgemaakt van het open-source framework Crawl4AI voor het scrapen van HTML-pagina's. Voor het structureren van de data (extractie van titels, salarissen, vaardigheden, etc.) werden Large Language Models (LLMs) zoals GPT-4o en Gemini 2.5 ingezet via API's.
• Normalisatie:
  • Beroepscategorieën: De oorspronkelijke 24 categorieën van het platform zijn gemap naar een geharmoniseerde taxonomie van 16 beroepsdomeinen (gebaseerd op ISCO-08, O*NET en ESCO standaarden).
  • Salaris: Salarisgegevens zijn genormaliseerd naar drie kwantitatieve velden: salary_min, salary_max en salary_avg (in miljoenen VND per maand). Ongeveer 71,5% van de vacatures bevat expliciete salarisinformatie.
• Diversiteit: Het corpus dekt 16 sectoren (van IT en Sales tot Landbouw en Zorg) en verschillende contracttypes (voltijds, deeltijds, stage).

2. Experimenteel Ontwerp
Het paper evalueert de bruikbaarheid van het dataset door twee kerntaken uit te voeren met diverse generatieve LLM's:

• Taak 1: Job Classificatie: Voorspellen van de gestandaardiseerde beroepscategorie (16 klassen) op basis van de vacaturetekst.
• Taak 2: Salarisschatting: Voorspellen van het verwachte salaris (in "X miljoen VND") op basis van gestructureerde kenmerken (functietitel, contracttype, locatie, ervaring).

3. Modellen en Evaluatie

• Modellen: Er zijn drie categorieën modellen getest:
  • Multilinguaal: Qwen2.5-7B, Llama-3.1-8B, Granite-3.3-8B.
  • Zuidoost-Azië gericht: Llama-SEA-LION-v3-8B, Sailor2-8B, SeaLLMs-v3-7B.
  • Vietnamees specifiek: PhoGPT-4B, BloomVN-8B, Vistral-7B.
• Settings: Evaluatie vond plaats in zero-shot, few-shot en fine-tuned (met LoRA) configuraties.
• Metrieken:
  • Voor classificatie: Accuracy en Macro F1-score.
  • Voor salarisschatting: Root Mean Square Error (RMSE) en R² (coëfficiënt van determinatie).

Belangrijkste Bijdragen

1. Eerste Groot-Schalig Dataset: VietJobs is het eerste open-access corpus van Vietnamese vacatures dat zowel linguïstische als gestructureerde economische data combineert.
2. Benchmarks voor Vietnamese NLP: Het biedt een standaard voor het evalueren van LLM's op Vietnamese arbeidsmarkttaken, inclusief prestaties van regionale modellen versus globale modellen.
3. Gestructureerde Salarisdata: In tegenstelling tot veel andere datasets, bevat VietJobs consistent genormaliseerde salarisvelden, wat robuuste economische analyses mogelijk maakt.
4. Ethiek en Transparantie: Het paper documenteert strikte ethische protocollen (goedgekeurd door een ethische commissie), waarbij alleen publieke, niet-persoonlijke data is gebruikt.

Resultaten

1. Job Classificatie

• Zero-shot & Few-shot: Het instructie-getrainde multilinguale model Qwen2.5-7B-Instruct presteerde het beste (Accuracy: 0,47 in few-shot). Dit suggereert dat grote multilinguale pre-training effectiever is dan specifieke Vietnamese training voor algemene taakbegrip.
• Fine-tuning: Fine-tuning leverde geen consistente verbetering op ten opzichte van few-shot prompting; sommige modellen (zoals Ministral) presteerden zelfs slechter na fine-tuning, wat wijst op overfitting.
• Uitdaging: Veel Vietnamese specifieke modellen (zoals PhoGPT) faalden in zero-shot settings, wat aangeeft dat ze minder goed zijn in het volgen van complexe instructies zonder voorbeelden.

2. Salarisschatting

• Beste Model: Llama-SEA-LION-v3-8B-IT (een model gericht op Zuidoost-Azië) bleek het meest robuust, zelfs in zero-shot settings (RMSE: 11,72).
• Invloed van Fine-tuning: Prestaties verbeterden aanzienlijk door fine-tuning. Het beste resultaat werd behaald door modellen te fine-tunen op een combinatie van VietJobs en een bestaand "Vietnam Jobs Dataset" (van Kaggle).
  • Voorbeeld: Llama-SEA-LION bereikte na fine-tuning op beide datasets een RMSE van 10,24 en een R² van 0,23.
• Conclusie: Task-specifieke supervisie en data-diversiteit zijn cruciaal voor nauwkeurige salarisschattingen.

Betekenis en Toekomstperspectief

Het paper vestigt VietJobs als een fundamentele resource voor onderzoek naar de Vietnamese arbeidsmarkt en NLP. De resultaten tonen aan dat:

• Regionale modellen (zoals Llama-SEA-LION) vaak beter presteren dan generieke multilinguale of lokaal getrainde modellen voor specifieke Zuidoost-Aziatische taken.
• Few-shot learning een krachtige techniek is voor gestructureerde classificatie in low-resource talen.
• Er een duidelijke behoefte is aan meer data om bias (bijv. gender of leeftijd) in wervingsadvertenties te detecteren en te bestrijden.

Toekomstig werk richt zich op het uitbreiden van de dataset naar meerdere platforms, het integreren van demografische data, en het vergelijken van LLM's met traditionele machine learning-methoden (zoals TF-IDF + Logistic Regression) om de meerwaarde van generatieve AI te kwantificeren.