通过 AI 驱动的文本挖掘识别绿色职位的扩展清单

核心观点

本研究旨在扩展绿色职位标题的清单，并利用自然语言处理技术，特别是检索增强生成（RAG）模型，从学术文献中识别绿色职位。研究发现，过去15年来关于绿色转型的学术研究显著扩展，文章数量和涉及国家和地区的多样性都得到了提升。研究最终识别出695个独特的绿色工作岗位，并与美国劳工部职业信息网络（ONET）中的职位进行比较，发现17%的工作岗位标题与ONET中的职位标题完全匹配或几乎完全匹配，同时还有许多潜在的新岗位标题尚未被O*NET所识别。

关键数据

• 搜索时间：2024年4月
• 文献数据库：Scopus和Web of Science
• 文献数量：1,067篇
• 全文获取数量：567篇
• 提及绿色职位标题的文章数量：105篇
• 识别出的绿色职位标题数量：695个
• 与ONET匹配的绿色职位标题数量：116个（占ONET总职位标题数量的17%）

研究结论

• 研究结果表明，基于人工智能的模型可以在大量不断扩大的文献中识别出定量信息，从而应对容量挑战，并扩展绿色工作岗位的清单。
• 研究发现，许多新兴的绿色职位尚未被O*NET所识别，例如“电动汽车机械师”、“能源部门数据工程师”、“肉类科学家”等。
• 研究还识别出了25个不同的职业头衔集群，这些集群可以解释为绿色经济部门，其中包括O*NET中未提及的“绿色人力资源”部门。
• 研究结果表明，先进自然语言处理模型在识别新兴绿色职位角色方面的有效性，为绿色经济转型的持续讨论做出了重要贡献。

局限性

• 并非所有文章的全文文本都可用，可能遗漏了一些绿色职位。
• 出版偏见可能导致绿色职业的出现不被提议的分类体系准确捕捉到。
• 研究采用了二元分类法，将工作分为绿色或非绿色，未能捕捉到某些工作的复杂性。
• 缺乏背景信息和缺少专家评审可能导致错误地识别绿色职位。