Research Brief 82. Job matching verbeteren met AI

Postdoctoraal onderzoeker Bo Kang

(6 juni 2024) In de huidige dynamische arbeidsmarkt wordt het steeds belangrijker voor werkzoekenden, recruiters en uitzendbureaus om vacatures en kandidaatprofielen nauwkeurig te matchen. Met LLM4Jobs hebben we een AI-tool ontwikkeld die gebruik maakt van de sterke punten van grote taalmodellen om functiegerelateerde gegevens te extraheren en te standaardiseren, wat zorgt voor precisie en efficiëntie bij het koppelen van werkzoekenden aan de juiste kansen.

De innovatie van LLM4Jobs

LLM4Jobs, mede ontwikkeld door Nan Li, Bo Kang en Tijl De Bie bij onderzoeksgroep AIDA, is een nieuwe benadering om vacatures en kandidaatprofielen in te delen in de juiste categorieën. Daarvoor maakt het gebruik van grote taalmodellen.Grote taalmodellen zijn ontworpen om grote hoeveelheden tekst te analyseren en te interpreteren. Deze modellen gebruiken hun uitgebreide kennis van taal om patronen en inzichten te identificeren die mensen over het hoofd kunnen zien, waardoor ze ideaal zijn om het matchingsproces voor vacatures te verbeteren. LLM4Jobs gaat verder dan traditionele taalverwerkingsmethoden door tekst te begrijpen en te produceren zoals een mens dat zou doen. Dit betekent dat het vacatures en kandidaatprofielen kan lezen, kan begrijpen waar ze over gaan en ze nauwkeurig kan labelen, waardoor het makkelijker wordt om vacatures en kandidaatprofielen te matchen.

Wat betekent dit voor de arbeidsmarkt? Simpel gezegd kan LLM4Jobs complexe vacatures en kandidaatprofielen nauwkeurig decoderen door de vaak verwarrende reeks titels en beschrijvingen in te delen in gestandaardiseerde categoriesystemen zoals ISCO (International Standard Classification of Occupations) en ESCO (European Skills, Competences, and Occupations).

De aanpak van LLM4Jobs bestaat uit drie fases.

1. Beroepen en vaardigheden begrijpen. Stel je elk beroep en elke vaardigheid voor als een stipje op een grote kaart. Sommige stippen staan dichter bij elkaar omdat ze op elkaar lijken (zoals lesgeven en huiswerkbegeleiding), terwijl andere stippen ver uit elkaar staan omdat ze heel verschillend zijn (zoals lesgeven en timmeren). LLM4Jobs begint met het maken van deze kaart voor beroepen en vaardigheden zoals die worden beschreven in gestandaardiseerde categoriesystemen zoals ISCO of ESCO.
2. Vacatures en cv’s verwerken. Wanneer iemand een vacaturetekst of cv plaatst, analyseert LLM4Jobs deze zorgvuldig. Het gaat dan ook deze vacatureteksten en cv’s omvormen tot stippen op bovengenoemde kaart. Deze stap gaat over het uitzoeken waar deze vacatures en cv’s precies passen in de wereld van werk.
3. De match maken. Nu kan LLM4Jobs de kaart gebruiken om te zien welk beroepen of welke vaardigheden het beste met de vacatures of de cv’s overeenkomen. Dit doet het door te zoeken naar de stippen die het dichtst bij de stip van de vacatures of de cv’s liggen. Deze informatie maakt het mogelijk om vacatures en cv’s optimaal met elkaar te matchen.

Maatschappelijke relevantie en voordelen

Beleidsmakers kunnen LLM4Jobs enerzijds gebruiken om vacatures op verschillende websites te analyseren om in te schatten voor welke vaardigheden er veel vraag is. Anderzijds kunnen ze LLM4Jobs gebruiken om cv's te onderzoeken om de capaciteiten van de huidige beroepsbevolking te meten. Deze dubbele analyse onthult de kloof tussen de vaardigheden die werkgevers zoeken en de vaardigheden die werkzoekenden aanbieden. Beleidsmakers kunnen dan onderwijs- en opleidingsinitiatieven op maat maken om deze mismatch aan te pakken, zoals het bevorderen van digitale alfabetiseringsprogramma's of het ondersteunen van omscholing in snel evoluerende sectoren. Dit strategisch inzicht in de dynamiek van de arbeidsmarkt maakt een effectievere planning en ondersteuning van economische ontwikkelingsinitiatieven mogelijk, waardoor de arbeidsmarkt efficiënter wordt en beter inspeelt op de behoeften van zowel werkgevers als werkzoekenden.

De tool kan ook waardevol zijn voor professionals op het gebied van werving en selectie. Door vacatures en cv's automatisch op dezelfde codering af te stemmen, wordt de tijdrovende taak van het handmatig doorzoeken van sollicitaties beter gestroomlijnd, zodat hr-teams zich kunnen richten op het contact met kandidaten en het verbeteren van de wervingservaring.

Voor werkzoekenden betekent dit betere aanbevelingen voor vacatures die aansluiten bij hun vaardigheden en ervaringen.

De toekomst van beroepscodering

De maatschappelijke implicaties van LLM4Jobs kunnen aanzienlijk zijn. Door beroepen nauwkeurig te coderen, kunnen we ervoor zorgen dat werkzoekenden niet over het hoofd worden gezien voor functies waarvoor ze geschikt zijn en dat werkgevers de beste kandidaten kunnen vinden. Dit leidt tot een dynamischere en efficiëntere arbeidsmarkt, waar kansen worden gemaximaliseerd en vaardigheden goed worden benut.

LLM4Jobs is niet alleen een interessante technologische vooruitgang, het is ook een tool met het potentieel om een tastbare maatschappelijke impact te hebben. Door de kloof te overbruggen tussen vrije functiebeschrijvingen en standaard beroepscategorieën legt het de basis voor een slimmere arbeidsmarkt.

Door postdoctoraal onderzoeker Bo Kang (Vakgroep Elektronica en Informatiesystemen; Bo.Kang@UGent.be).

Lees meer over dit onderzoek in het wetenschappelijke artikel.

LLM4Jobs is gebouwd op open source technologie en blijft open source op deze Github repository.

Lees ook de andere Research Briefs van UGent @ Work.