本文提出一种实用的方法来在职位列表中检测技能，该方法将任务视为一个排名问题，通过提取短语并与短语上下文的语义相似性进行排名，并进行技能短语的最终分类，从而在小数据集中比实体识别模型表现更好。

Oct, 2022

使用 Bidirectional Encoder Representations from Transformers (BERT) 主题建模从课程中提取主题，并用于识别学科之间的关系、跟踪它们的进展和识别概念上的差距，研究发现按共同主题对学习成果进行分组有助于减少冗余并在课程中引入新概念。最后，使用主题专家对方法的有效性进行了测试。

Feb, 2024

高等教育在推动创新经济方面发挥着关键作用，通过为学生提供劳动力需求所需的知识和技能。本研究填补了一个空白，通过提供从近 3000 所美国高等教育机构的三百万门课程大纲中推断技能的纵向数据集，回答了如何在高等教育中记录技能发展的问题。这个数据集通过自然语言处理从课程描述中提取具体的工作场景活动（DOL 所用来描述职业的 DWAs），并聚合这些 DWAs 来为机构和学术专业创建技能概况。这个数据集可以用于研究技能来源、劳动力发展的背景，并为塑造未来高等教育以满足不断变化的劳动力需求提供可操作的见解。

Apr, 2024

利用弱监督技术中的技能提取，结合欧洲技能、能力、资格和职业分类法，使用潜在表示法在职位广告中发现类似的技能标签，相对于基于令牌级别和语法模式的基准测试，该方法显示出强正信号。

Sep, 2022

通过自动发现和可视化语法描述，本研究旨在帮助语言教育专家自动创建材料，以便教授印度语言中的语法和语义知识。

Oct, 2023

德国中央银行的数字化倡议中，他们使用自然语言处理技术来审查证券募集说明书的资格标准，将涵盖构建含多样性领域的数据集、建立集成了现有律法规定的基于 Transformer 的语言模型和决策树的半自动决策模型，并可对符合资格标准的申请进行 90% 以上的自动化处理。

Feb, 2023

利用自然语言处理技术从职位描述中提取相关信息，包括解决训练数据的稀缺性、标注指南的缺乏以及从职位广告中提取有效信息的不足等挑战，最终通过引入抽取方法和多个数据集相辅相成的检索增强模型来提高整体性能，并将提取到的信息置于特定分类体系中。

Apr, 2024

通过分类框架和深度学习模型，该论文提出一种方法来识别职位要求和横向技能的关联，并预测个体职位描述所需的技能。该方法使用 ESCO（欧洲技能、能力和职业）分类法进行数据收集、预处理和标记。采用分层分类和多标签策略进行技能识别，通过数据平衡增强模型的鲁棒性。通过比较使用英语特定和多语言句子嵌入模型得到的结果，发现它们具有相近的准确性。实验案例研究详细介绍了神经网络配置、超参数和交叉验证结果，突出了分层方法的有效性和多语言模型在多样化欧洲职位市场的适用性。因此，提出了一种新的方法来从职位广告中对横向技能进行分层分类。

Jan, 2024

通过将预训练语言模型与从招聘信息中提取的技能标签协同出现信息相结合，我们提出了一种职位称号的神经表示模型， JobBERT 方法相比使用通用语句编码器，在职位标题规范化任务中表现出显著提高，并发布了一个新的评估基准。

Sep, 2021

本研究介绍了一个自动框架，旨在通过自动发现和可视化语法的不同方面来促进语言教学，其中从自然语料库中提取描述单词排序、一致性、语法标记或词形成及词汇学习的描述，并显示例证。作者在印度语言 Kannada 和 Marathi 上应用此方法，以评估其实用性，并邀请北美的语言教育家对这些语言进行手动评估。教师们认为这些材料有趣，可以用作自己的课程准备或学习者评估的参考资料。

Jun, 2022