O*NET OnLine
PulseAugur coverage of O*NET OnLine — every cluster mentioning O*NET OnLine across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的ORQA框架测试LLM职业知识；Claude和GPT领先
研究人员开发了ORQA，一个旨在评估大型语言模型职业特定知识的新框架。该方法将O*NET职业与权威网站连接起来，生成可追溯来源的问答对。该框架涵盖116种职业，包含来自187个网站的480个问题，重点关注现实世界的技能相关性。在测试中，Claude Opus 4.6、GPT-5.4和Claude Sonnet 4.6表现最佳，准确率约为58-62%，而较小的开源模型表现为33-41%。
-
Anthropic 模拟 AI 的经济影响，探索未来工作情景
Anthropic 开发了一个模型，用于探索由 AI 进步塑造的潜在经济未来。该模型基于“变革性 AI 的经济情景”报告，允许用户输入他们对 AI 能力和采用率的预测，以查看 2030 年的经济预测结果。它将工作分解为任务，分析 AI 如何增强、自动化或创建新任务，最终影响工作角色和生产力。目标是促进社会有益的转型，并确保 AI 驱动的经济变革带来广泛的惠益。
-
专家发现AI在各职业中的应用广泛但肤浅 · 跟踪3个来源
最近的分析表明，虽然人工智能在许多职业中的应用很普遍，但其深度往往有限，大多数岗位中只有不到一半的员工积极使用该技术。这与仅关注采用率的指标（如购买的席位数或花费的时间）形成对比，这些指标并不一定能带来切实的业务价值或战略进展。专家建议，组织应将重点从广泛采用转向能够带来可衡量业务成果的具体用例，例如降低成本或加速收入增长，并且试点项目应被视为具有明确成功标准的投资。
-
新方法估算工人任务时间以分析AI对工作的影响
一篇新研究论文提出了一种估算工人花费在特定任务上的时间的方法，这对于理解技术如何影响职业至关重要。该方法利用语言模型的成对比较来确定每个任务实例所需的时间，并考虑了频率。这种方法旨在提供比以往依赖粗略数据或黑盒模型的方法更准确的任务权重。研究人员将这些时间份额应用于分析AI对美国工作的影响，发现按花费时间重新加权后，焦点从文书工作转向分析性角色，并扩大了受影响最大和最小的工作之间的差距。
-
谷歌数据：AI使用浅层化，未大规模取代工人 · 追踪6个来源
谷歌研究院的一项新研究分析了1500万次匿名AI互动，表明AI目前并未导致白领工作的广泛自动化或取代。研究结果表明，虽然Gemini等AI工具被广泛应用于各种工作，但其应用主要是协作性的，并且范围有限，仅影响这些职位中一小部分任务。该研究利用了Gemini应用、谷歌AI模式和Gemini API的数据，并与职业数据库进行交叉引用，以了解AI对劳动力的实际影响。
-
新基准测试AI代理在现实经济任务中的表现
一项名为Agents' Last Exam (ALE) 的新基准测试已被推出，用于评估AI代理在现实世界专业领域中的长期、具有经济价值的任务。ALE由250多名行业专家开发，涵盖非实体行业，包含13个行业集群中的1000多个任务。目前的结果表明，即使是先进的AI代理在这些复杂任务上也表现不佳，平均完全通过率仅为2.6%。该基准测试旨在成为一个动态工具，不断扩展其任务池，以弥合AI在基准测试中的表现与其实际经济影响之间的差距。
-
ADP经济学家称，人工智能正通过拆解任务来改变白领工作
ADP首席经济学家Nela Richardson正在领导一个项目，该项目通过关注个体任务而非传统职位名称来分析劳动力市场。这种“伟大的工作拆解”利用自然语言处理技术分析数百万份职位发布信息，并将其与薪资数据进行交叉引用，以确定哪些具体活动因人工智能而增值，哪些则在贬值。Richardson的初步发现表明，自20世纪下半叶以来存在的白领工作正在结构性地瓦解，她将这一趋势更多地归因于技术的发展，而不仅仅是人工智能。
-
新框架旨在改进面向知识工作的 AI 基准测试
一篇新论文提出了一个三步框架，用于设计和报告面向知识工作的 AI 系统的基准测试。该方法强调清晰地定义工作活动、指定测试环境以及对实际工作成果进行评分。这旨在弥合基准测试性能与实际部署能力之间的差距，尤其是在编码、研究和医疗保健等领域的 LLM 代理方面。
-
新的混合微服务采用KG优先、LLM回退的方式进行技能搜索
研究人员开发了一种名为SkillGraph-Service的新型微服务，以解决将ESCO和O*NET等劳动力市场能力框架集成到教育系统中的复杂性。该服务采用混合架构，优先使用知识图谱（KG）处理结构化数据，并使用大型语言模型（LLMs）作为特定任务的回退。这种方法结合了符号推理和灵活的LLM能力，以低延迟实现了高检索效率。