Determinants of Starting Salaries for Filipino Graduates: An Explainable Machine Learning Approach
Deze studie maakt gebruik van een uitlegbare machine learning-benadering op crowdsourced enquêtegegevens om aan te tonen dat functierol en sector de primaire determinanten zijn voor de startsalarissen van Filipijnse afgestudeerden, wat de institutionele prestige significant overtreft en wijst op een noodzaak om sector-specifieke vaardigheden te prioriteren in loopbaanbegeleiding en beleid.
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
In de Filipijnen bevindt een aanzienlijk aantal college-afgestudeerden zich zonder werk, wat een scherpe discrepantie creëert tussen de jaren doorgebracht in het klaslokaal en de realiteit van de arbeidsmarkt. Voor hen die wel werk vinden, fungeert het startsalaris dat zij ontvangen als een duidelijk signaal van hoeveel de economie hun specifieke achtergrond waardeert. Traditioneel hebben onderzoekers deze uitkomsten bijgehouden door simpelweg te tellen hoeveel afgestudeerden werkzaam zijn en wat hun gemiddelde salaris is, vergelijkbaar met het maken van een telling tijdens een schoolreünie. Echter, deze tellingen vertellen ons wat er is gebeurd, niet waarom het is gebeurd of wat er zal gebeuren met de volgende groep studenten. Om de werkelijke drijfveren van salaris te begrijpen, moet men verder kijken dan eenvoudige gemiddelden en vragen welke specifieke factoren een salaris omhoog stuwen of omlaag trekken.
Een team van onderzoekers van de Universiteit van de Filipijnen zocht een antwoord op deze vraag door moderne computerleermethoden toe te passen op een unieke set gegevens. Ze analyseerden reacties uit een crowd-sourced enquête genaamd "First Pay", die informatie verzamelde van bijna drieduizend Filipijnse afgestudeerden over hun eerste banen. Omdat de gegevens afkomstig waren van een open online formulier, waren ze rommelig en ongestructureerd; functietitels werden op veel verschillende manieren geschreven, en sommige belangrijke details zoals de grootte van het bedrijf of de locatie ontbraken. De onderzoekers behandelden deze ruisige informatie als een puzzel en gebruikten machine learning om te voorspellen in welke salariscategorie een afgestudeerde zou vallen op basis van hun opleiding, geslacht en functiedetails. Hun doel was niet alleen om een voorspelling te doen, maar ook om een methode genaamd uitlegbare kunstmatige intelligentie te gebruiken om precies te begrijpen op welke stukjes informatie de computer vertrouwde om zijn beslissing te nemen.
De studie onthulde een duidelijke en enigszins verrassende waarheid over de lokale arbeidsmarkt: de specifieke functie en de sector waarin een afgestudeerde terechtkomt, zijn veel belangrijker dan de prestige van de universiteit die zij hebben bezocht. Wanneer de onderzoekers de computer de gegevens lieten analyseren, negeerde deze consequent de reputatie van de school en richtte zich bijna volledig op wat de persoon daadwerkelijk doet en waar zij werken. Bijvoorbeeld, de computer leerde dat een afgestudeerde die werkzaam is in een specifieke sector zoals mijnbouw of management, waarschijnlijk aanzienlijk meer zou verdienen dan iemand in de bouw of administratief werk, ongeacht of zij van een private of een staatsuniversiteit zijn afgestudeerd. Deze bevinding was zo sterk dat deze in drie verschillende manieren van testen van de gegevens naar voren kwam, wat suggereert dat de markt functionele vaardigheden en sectorale afstemming veel meer beloont dan het merknamen van een diploma.
Om te waarborgen dat dit resultaat geen toevalstreffer was, testten de onderzoekers hun aanpak op verschillende manieren. Ten eerste gebruikten ze een techniek die een voorspelling ontleedt om te zien welke input het meest heeft bijgedragen, waarmee werd bevestigd dat functietitels en sectornamen de primaire drijfveren waren. Ten tweede probeerden ze het vermogen van de computer om de rommelige tekst van functiebeschrijvingen te lezen te verbeteren met geavanceerde taaltools, om er vervolgens achter te komen dat de computer nog steeds het zwaarst leunde op de specifieke woorden die de baan en sector beschreven. Ten slotte probeerden ze het probleem te herformuleren zodat de computer kon redeneren over de economische betekenis van een salarisbereik in plaats van alleen trefwoorden te matchen. Zelfs met deze meer geavanceerde redeneeraanpak leunde de computer nog steeds zwaar op de ruwe tekst van de functie en de sector om zijn beste gissingen te doen. Deze consistentie over verschillende methoden heen suggereert dat de dominantie van functie en sector een echt kenmerk van de gegevens is, en geen artefact van een specifiek computermodel.
De onderzoekers ontdekten ook dat de moeilijkheid bij het voorspellen van exacte salarissen niet te wijten was aan een gebrek aan rekenkracht, maar aan de beperkingen van de gegevens zelf. Omdat de enquête vertrouwde op zelfgerapporteerde informatie en details zoals bedrijfsgrootte of jaren ervaring miste, was er een natuurlijk plafond voor hoe nauwkeurig de computer uitkomsten kon voorspellen. De gegevens waren bijzonder vaag voor afgestudeerden met middeninkomens, waarbij veel verschillende soorten banen qua salaris overlappen. Hoewel de onderzoekers vonden dat het groeperen van salarissen in bredere, economisch betekenisvolle categorieën de nauwkeurigheid van de computer verbeterde, bleef de fundamentele les hetzelfde: het specifieke pad dat een afgestudeerde bewandelt, is belangrijker dan de school waar zij vandaan kwamen.
Uiteindelijk suggereert dit werk dat de focus van loopbaanbegeleiding en onderwijsbeleid moet verschuiven. In plaats van de nadruk te leggen op het prestige van een universiteit, wijst het bewijs erop dat het belangrijker is om studenten te helpen hun vaardigheden af te stemmen op specifieke hoogwaardige sectoren en rollen. De studie laat zien dat hoewel de gegevens imperfect waren, het signaal duidelijk genoeg was om aan te tonen dat de arbeidsmarkt geeft om wat een afgestudeerde doet, veel meer dan waar zij gestudeerd hebben. Door verder te gaan dan eenvoudige beschrijvingen van werkgelegenheidspercentages naar een dieper, op data gebaseerd begrip van wat salaris drijft, biedt dit onderzoek een duidelijkere kaart voor afgestudeerden, onderwijzers en beleidsmakers die navigeren door het complexe landschap van de Filipijnse arbeidsmarkt.
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.