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

本文通过 Big Data 和 AI 算法进行数据分析，将多个国家的数据资源整合，应用机器学习模型从简历和招聘信息中提取技能信息，与标准技能，职位和职业本体匹配，提供政策和决策支持的解决方案。

Apr, 2021

本篇论文探讨通过时间序列预测和神经网络等方法，利用在线招聘广告的技能需求数据提高多技能需求的预测准确性。作者对多项世界信息技术业工作者的技能需求进行了分析，并比较了多元和单变量模型的性能。

May, 2022

近年来，自然语言处理（NLP）取得了显著进展，使得计算机行业市场分析领域有了快速发展。本调查旨在提供深度学习方法、数据集和特定于 NLP 驱动的技能提取和分类的术语的全面概述，填补这一新兴领域的不完全评估。我们对公开可用数据集的详细分类解决了关于数据集创建和特征的信息缺乏的问题。最后，对术语的关注解决了目前对重要概念（如硬技能和软技能）和技能提取和分类相关术语缺乏一致定义的问题。

Feb, 2024

在迅速发展的就业市场中，技能需求预测对于政策制定者和企业来说至关重要，因为它使其能够预测和适应变化，确保劳动力技能与市场需求相吻合，从而提高生产力和竞争力。然而，缺乏全面的数据集对于研究和这一领域的进展存在重大挑战。为了填补这一差距，我们提出了 Job-SDF，这是一个设计用来训练和基准测试职业技能需求预测模型的数据集。我们的数据集在不同的粒度上评估技能需求预测模型的性能，包括职业、公司和地区水平。我们在此数据集上对一系列模型进行基准测试，在标准情况下、低值范围的预测和结构性突变的情况下评估它们的性能，为进一步的研究提供了新的见解。

Jun, 2024

教育在减轻贫困、推动经济增长和赋予个人力量方面发挥着关键作用，然而，学校辍学的持续问题带来了重大挑战，本研究在 13 年的纵向数据集基础上通过机器学习模型的开发展现出显著的分类能力，未来这样的模型有可能支持教育工作者识别处于风险之中的学生，以改善教育结果。

Mar, 2024

该研究介绍了一种自动检测德国培训机构和广告招聘中与职业培训有关的学历、职业经验、前往学徒和技能等要求的新方法，以更好地匹配培训的需求和提供，该方法将多种方法相结合，并提供了教育同义词的映射和基于规则匹配的方法。

Apr, 2023

从大规模训练日志数据中发掘技能学习的规律，分为两个阶段的算法，使用深度学习模型确定学习者的认知状态和评估特征重要性，然后利用符号回归算法将神经网络模型解析为代数方程。实验结果表明，该算法在连续反馈设置中能够准确恢复各种预设规律，在应用于 Lumosity 训练数据时相比传统和最新模型有更好的性能。结果发现了两种新形式的技能学习规律，并对某些先前的研究结果进行了重新确认。

Apr, 2024

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

本研究基于 Diderot 系统的细致记录，运用模式挖掘和自然语言处理方法，分析学生的行为互动并提取频繁出现策略，结果发现学生与老师的互动模式因测试类型而异，并且这些特点可用于预测学生成绩，揭示了混合课程中基于教育软件数据的数据分析对于了解学生行为和提升学习价值的重要性。

May, 2020