Estimating time spent on work tasks
Dit artikel introduceert een principiële methode voor het schatten van tijdsdelen voor bijna 18.000 Amerikaanse werktaken door ONET-frequentiedata te combineren met door taalmodellen afgeleide paarwijze vergelijkingen van taakduur, waarbij wordt onthuld dat het wegen van de blootstelling van taken aan AI op basis van tijd in plaats van taalaantal de rangschikking van getroffen beroepen aanzienlijk verandert en de kloof tussen de meest en minst blootgestelde banen vergroot.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je de economie voor als een enorme, bruisende keuken waar elke baan een ander recept is. Decennialang hebben economen geprobeerd te begrijpen hoe nieuwe hulpmiddelen—zoals een hippe nieuwe blender of een robotarm—deze recepten veranderen. Ze realiseerden zich dat banen niet simpelweg uit enkele, onbreekbare blokken bestaan; ze zijn eigenlijk bundels van kleinere taken, zoals het snijden van uien, het roeren in de saus of het opmaken van de borden. Dit "taakgebaseerde" perspectief is de standaardmanier waarop wetenschappers bestuderen hoe technologie het werk vormgeeft. Als een robot uien sneller kan snijden, verandert die specifieke taak, en die verandering rimpelt door naar boven om het hele beroep te beïnvloeden. Maar hier zit de crux: wanneer we al deze kleine taken bij elkaar optellen om te zien hoe een hele baan wordt beïnvloed, hoe tellen we ze dan? Tellen we elke taak als één gelijkwaardige stem, of wegen we ze door hoeveel tijd een werknemer er daadwerkelijk aan besteedt? Het blijkt dat deze vraag over "hoeveel tijd" de ontbrekende ingrediënt is die ons begrip van welke banen het meest waarschijnlijk door Kunstmatige Intelligentie zullen worden getransformeerd, volledig kan veranderen.
Dit artikel, geschreven door onderzoekers van Stanford en de Universiteit van São Paulo, is als een enorme, nauwgezette tijdtracker voor de Amerikaanse beroepsbevolking. De auteurs merkten op dat eerdere studies die probeerden uit te zoeken welke banen het meest blootgesteld zijn aan AI, aan het gissen waren naar hoeveel tijd werknemers aan specifieke taken besteden. Sommige studies telden gewoon hoeveel taken een baan had, terwijl andere grove categorieën gebruikten zoals "kern"- of "aanvullende" taken, waarbij een snelle check-in van 30 seconden hetzelfde werd behandeld als een diepgaande analyse van 4 uur. De onderzoekers stellen dat dit is alsof je een film beoordeelt door het aantal scènes te tellen in plaats van hoe lang het publiek naar het plot kijselt.
Om dit op te lossen, bouwde het team een nieuwe methode om het werkelijke tijdsdeel te schatten voor bijna 18.000 verschillende taken binnen bijna 1.000 Amerikaanse beroepen. Ze lieten een computer niet simpelweg raden; ze deelden het probleem op in twee delen. Eerst keken ze hoe vaak een taak voorkomt (frequentie). Vervolgens, en dit is het slimme deel, gebruikten ze een taalmodel (een AI) om taken tegen elkaar af te wegen om te bepalen welke taken langer duren om één keer uit te voeren. Daarna voerden ze deze rangschikkingen in een wiskundige puzzel (een lineair programma) die alles in een realistisch werkdag van 7 uur moest laten passen. Het is als het oplossen van een legpuzzel waarbij de stukjes taken zijn en de afbeelding een volledige werkdag.
De resultaten van dit tijdtrackingexperiment zijn verrassend en veranderen het landschap van het gesprek. Wanneer de onderzoekers hun nieuwe tijdgebaseerde wegingsfactoren toepasten om te zien hoe banen blootgesteld zijn aan AI, veranderde de lijst van de "meest kwetsbare" banen drastisch. Eerdere studies suggereerden dat administratieve en kantoorbanen het meest kwetsbaar waren omdat ze het hoogste aantal door AI blootgestelde taken hadden. De nieuwe tijdgebaseerde visie suggereert echter dat, hoewel deze banen veel kleine, blootgestelde taken hebben, die taken eigenlijk niet veel van de dag van de werknemer in beslag nemen. Daarentegen bevatten banen die diepgaande analyse, onderzoek en schrijven vereisen—wat misschien minder totale taken heeft—een enorm groot deel van de tijd van de werknemer aan die specifieke taken.
Toen de auteurs de top 25 meest blootgestelde beroepen opnieuw rangschikten met behulp van hun tijdsgegevens, wisselden 11 van hen van plaats. De lijst verschoof weg van administratieve rollen en richting analytische rollen. Zo ontdekten ze bijvoorbeeld dat voor een massagetherapeut, hoewel 44% van de vermelde taken technisch gezien "blootgesteld" kan zijn aan AI, die taken slechts 16% van de werkelijke tijd besteden aan het werk. Daartegenover stond dat voor een actuaris de blootgestelde taken misschien minder in aantal zijn, maar bijna 90% van hun werktijd consumeren. Het artikel suggereert dat door te focussen op het deel van de werktijd dat aan AI is blootgesteld, in plaats van alleen op het deel van de taken, we een veel helderderder en vaak intenser beeld krijgen van de impact op de meest kwetsbare rollen. De auteurs merken er voorzichtig bij op dat dit een nieuwe manier van het meten van blootstelling is, en geen voorspelling dat deze banen definitief zullen verdwijnen, maar het suggereert wel dat de "kopnieuws"-banen die het meest worden beïnvloed door AI, anders kunnen zijn dan we voorheen dachten.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.