As palavras importam: a IA pode prever salários com base no texto dos anúncios de emprego on-line

O cenário de trabalho nos Estados Unidos está mudando drasticamente: a pandemia do COVID-19 redefiniu o trabalho essencial e tirou os trabalhadores do escritório. As novas tecnologias estão transformando a natureza de muitas ocupações. A globalização continua a empurrar empregos para novos locais. E as preocupações com as mudanças climáticas estão criando empregos no setor de energia alternativa, ao mesmo pace em que os cortam da indústria de combustíveis fósseis.

Em meio a essa turbulência no native de trabalho, trabalhadores, bem como empregadores e formuladores de políticas, podem se beneficiar ao entender quais características do trabalho levam a salários e mobilidade mais altos, diz Sarah Bana, pós-doutoranda da Laboratório de Economia Virtual de Stanfordparte de Stanford Institute for Human-Focused Synthetic Intelligence. E, ela observa, agora existe um grande conjunto de dados que pode ajudar a fornecer esse entendimento: o texto de milhões de anúncios de emprego on-line.

“Os dados on-line nos oferecem uma tremenda oportunidade de medir o que importa”, diz ela.

De fato, usando inteligência synthetic (IA) e aprendizado de máquina, Bana mostrou recentemente que as palavras usadas em um conjunto de dados de mais de um milhão de anúncios de emprego on-line explicam 87% da variação dos salários em uma vasta proporção do mercado de trabalho. É o primeiro trabalho a usar um conjunto de dados tão grande de postagens e a observar a relação entre postagens e salários.

Bana também experimentou injetar um novo texto – adicionando um certificado de habilidade, por exemplo – em listas de empregos relevantes para ver como essas palavras mudaram a previsão salarial.

“Acontece que podemos usar o texto das listas de empregos para avaliar as características salariais relevantes dos empregos quase em pace actual”, diz Bana. “Esta informação pode tornar as candidaturas a empregos mais transparentes e melhorar a nossa abordagem à educação e formação da força de trabalho.”

Um conjunto de dados de IA de 1 milhão de vagas de emprego

Para analisar como o texto dos anúncios de empregos on-line se relaciona com os salários, Bana obteve mais de um milhão de anúncios de empregos pré-pandemia do Greenwich.HR, que agrega milhões de anúncios de empregos de plataformas de quadros de empregos on-line.

Ela então usou o BERT, um dos modelos de processamento de linguagem herbal (NLP) mais avançados disponíveis, para treinar um modelo de PNL usando o texto de mais de 800.000 anúncios de emprego e seus dados salariais associados. Quando ela testou o modelo usando as 200.000 vagas restantes, ele previu com precisão os salários associados em 87% das vezes. Em comparação, usar apenas os cargos e as localizações geográficas dos anúncios de emprego gerou previsões precisas em apenas 69% das vezes.

No trabalho de acompanhamento, Bana tentará caracterizar a contribuição de várias palavras para a previsão salarial. “Idealmente, vamos colorir as palavras nas postagens de vermelho para verde, onde as palavras em vermelho mais escuro estão associadas a salários mais baixos e as palavras verdes mais escuras estão associadas a salários mais altos”, diz ela.

O valor da qualificação: um experimento de injeção de texto

Para identificar quais habilidades são importantes para a previsão salarial, Bana usou uma abordagem de injeção de texto: a determinados anúncios de emprego relevantes, ela adicionou frases curtas indicando que o trabalho requer uma certificação de carreira específica, como as listadas no web page do Certainly.com 10 certificações de carreira sob demanda (e como alcançá-las). A obtenção dessas certificações pode ser cara, com preços que variam de cerca de US$ 225 a cerca de US$ 2.000. Mas, até agora, não havia como determinar se o investimento vale a pena do ponto de vista salarial.

O experimento de Bana revelou que algumas certificações (como a IIBA Agile Research Certification) produzem ganhos salariais significativos rapidamente, enquanto outras (como a Cisco Qualified Internetwork Professional) o fazem mais lentamente – informações valiosas para trabalhadores que gostariam de ter melhores informações sobre como um o investimento em treinamento de habilidades afetará seus salários e perspectivas, diz Bana.

Os funcionários não são os únicos a se beneficiar dessas informações, observa Bana. Os empregadores podem usar esses resultados para investir melhor em capital humano, diz ela. Se, por exemplo, os modelos de aprendizado de máquina revelarem uma mudança sluggish de algumas tarefas em direção a outras, os empregadores teriam aviso prévio e poderiam retreinar certos funcionários.

E os formuladores de políticas, considerando quais programas de treinamento profissional promover, também se beneficiariam ao entender quais habilidades estão aumentando ou diminuindo em valor econômico.

Para esse fim, Bana e seus colegas estão atualmente trabalhando em um documento complementar que identifica quais tarefas estão desaparecendo das listas de empregos ao longo do pace e quais novas tarefas estão aparecendo.

No futuro, Bana espera que a análise textual dos anúncios de emprego possa gerar um aplicativo baseado na internet onde trabalhadores ou empresas possam pesquisar o valor agregado pela qualificação ou pela mudança para uma nova localização geográfica.

“Atualmente, não há muita clareza em torno de um caminho para ganhos mais altos”, diz Bana. “Ferramentas como essas podem ajudar os candidatos a emprego a melhorar suas perspectivas de emprego, os empregadores desenvolverem sua força de trabalho e os formuladores de políticas responderem às mudanças imediatas na economia”.

Katharine Miller é uma escritora colaboradora do Stanford Institute for Human-Focused AI.

Esta história apareceu originalmente em Hai.stanford.edu. Direitos autorais 2022