تعتبر عملية استخراج المهارات الآلية من النصوص عنصراً أساسياً في التخطيط للقوى العاملة، إلا أن معظم الأنظمة تستخدم تسميات سطحية دون استيعاب لمستوى المسؤولية المرتبط بتلك المهارات. يقدم إطار عمل المهارات لحقبة المعلومات (SFIA) حلاً فعالاً من خلال تعريف 147 مهارة مهنية عبر سبعة مستويات مسؤولية.

في هذا البحث، تم تقديم المهمة كنموذج تنبؤي هيكلي لاقتران (المهارة، المستوى) من النصوص الحرة. لقد طرحنا ثلاث أسئلة جوهرية: ما مدى دقة ربط النص بمفردات SFIA المغلقة؟ ما الاستراتيجيات التي يمكن الاعتماد عليها لتوقع المستوى بجانب المهارة؟ وهل تعمل التصاميم الذكية على تحسين الأداء مقارنة بالطرق التقليدية؟

خلال التجارب، تم تقييم خمس استراتيجيات مختلفة، تشمل قاعدة لغوية، واسترجاع كثيف مع تحسين بواسطة نماذج اللغات الضخمة (LLMs)، ونموذج LLM مقيد بالنسق، وتصميم عوامل متعددة للتعامل مع المهام. تم اختبار هذه الاستراتيجيات مقابل ملفات تعريف الدور في تكنولوجيا المعلومات والاتصالات بأوروبا، مع الاستفادة من مجموعة بيانات SFIA 9 التي تم تطويرها بواسطة آلية آلية كاملة.

أظهرت النتائج أن الاستراتيجيات القائمة على الاسترجاع تمكنت من تحديد أكبر عدد من المهارات، في حين كانت الاستراتيجيات التوليدية أكثر دقة بكثير. ووجد أن الاستراتيجيات التي تحدد المستوى كقرار صريح كانت الأكثر موثوقية، بينما كانت الاختيارات المعتمدة على التشابه غير دقيقة بشكل مضاعف. وللأسف، لم تحسن إضافة أدوار جديدة في الفريق من دقة المطابقة، الأمر الذي يثير تساؤلات حول فعالية هذه التصاميم المعقدة.

هذه النتائج تقدم أسساً قابلة للتكرار لاستخراج مهارات هيكلية ومدركة لمستوى المسؤولية، مما يشكل خطوة مهمة نحو تحسين فعالية التخطيط للقوى العاملة.