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。