論文の概要: When Occupation-derived Skills Don't Help: On the Limits of Skill-Augmented Career Path Prediction

• arxiv url: http://arxiv.org/abs/2610.20186v1
• Date: Wed, 14 Oct 2026 13:37:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.172843
• Title: When Occupation-derived Skills Don't Help: On the Limits of Skill-Augmented Career Path Prediction
• Title（参考訳）: 職業由来のスキルが役に立たない場合--スキル強化キャリアパス予測の限界について
• Abstract要約: スキルはキャリア移行において中心的な役割を果たすと考えられており、キャリアパス予測システムでの使用を動機付けている。 我々は,明示的なスキル表現がテキストベースのジョブ表現以上の補完的な信号を提供するかどうかを批判的に検討する。 スキル予測の難しさは, サンプルの難易度と相関し, 相補的な信号の可能性を制限する。
• 参考スコア（独自算出の注目度）: 31.27953610641616
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Skills are widely assumed to play a central role in career transitions, motivating their use in career path prediction (CPP) systems. In this work, we critically examine whether explicit skill representations provide complementary signal beyond text-based job representations. We evaluate multiple strategies for incorporating skills into CPP models, including score fusion and neural architectures, under two conditions: predicted skills and ground-truth ESCO annotations. Surprisingly, across two benchmark datasets, none of these settings yield substantial improvements over strong text-only baselines. Even when using ground-truth skills, gains remain marginal and inconsistent. Through detailed analysis, we identify key factors underlying this result: high redundancy between textual and skill representations, limited discriminative power of ESCO's taxonomy, and representational collapse in skill embeddings. Furthermore, we find that skill prediction difficulty correlates with overall sample difficulty, limiting the potential for complementary signals. Our findings challenge the common assumption that explicit skill modeling inherently benefits career prediction and suggest that dense text representations already capture most skill-relevant information.
• Abstract（参考訳）: スキルはキャリア移行において中心的な役割を果たすと考えられており、キャリアパス予測(CPP)システムでの使用を動機付けている。 本研究では,明示的なスキル表現がテキストベースのジョブ表現以上の補完的信号を提供するかどうかを批判的に検討する。 我々は,CPPモデルにスキルを組み込むための複数の戦略を評価し,スコア融合とニューラルアーキテクチャを2つの条件で評価した。 驚くべきことに、2つのベンチマークデータセットにおいて、これらの設定は、強いテキストのみのベースラインよりも大幅に改善されることはない。 地道なスキルを使ったとしても、利得は限界的かつ矛盾するままである。 詳細な分析により,テキスト表現とスキル表現の冗長性の高さ,ESCO分類の識別力の制限,スキル埋め込みにおける表現的崩壊など,この結果の根底にある重要な要因を明らかにした。 さらに, スキル予測の難しさは, サンプルの難易度と相関し, 相補的な信号の可能性を制限していることがわかった。 本研究は,明示的スキルモデリングがキャリア予測に本質的に有益であるという一般的な仮定に挑戦し,高密度テキスト表現がすでにほとんどのスキル関連情報を捉えていることを示唆する。

関連論文リスト

• Parametric Skills [18.083331448567936]
  ParametricSkillsは、フリーフォームのテキストスキルをテスト時にパラメータに変換し、文脈のないスキル活用を可能にするフレームワークである。 提案したParametricSkillsは,DeepSeek-V4-Flashで判断した,コンテキスト内学習を平均6.44ポイント上回る性能を示した。
  論文  参考訳（メタデータ） (2026-06-29T09:19:32Z)
• From Context to Skills: Can Language Models Learn from Context Skillfully? [56.5857437218136]
  Ctx2Skillは、コンテキスト固有のスキルを自律的に発見、洗練、選択する自己進化フレームワークである。 より良い文脈学習能力を得るために、どんな言語モデルにもプラグインできる。
  論文  参考訳（メタデータ） (2026-04-30T09:53:15Z)
• How Well Do Agentic Skills Work in the Wild: Benchmarking LLM Skill Usage in Realistic Settings [29.3744517703302]
  本研究は,段階的に挑戦的な現実的な環境下でのスキルユーティリティの総合的研究である。 その結果、設定がよりリアルになるにつれて、パフォーマンスは一貫して低下することがわかった。 クエリ固有の改善は、初期スキルが合理的な妥当性と品質を持つ場合に、性能を著しく回復することを示す。
  論文  参考訳（メタデータ） (2026-04-06T00:10:30Z)
• UniSkill: A Dataset for Matching University Curricula to Professional Competencies [3.9445288162247483]
  欧州スキル、能力、資格、職業分類から手動で注釈付きおよび合成されたスキルのデータセットをリリースする。 我々は,大学院レベルの大学コースとシステムアナリスト・マネジメント・組織アナリストのスキルを2つの粒度で比較した。 このデータセット上で言語モデルをトレーニングし、コース・ツー・スキル・ツー・コースマッチングのための検索・レコメンデーションシステムのベースラインとして機能する。
  論文  参考訳（メタデータ） (2026-03-03T16:05:57Z)
• A Mathematical Theory for Learning Semantic Languages by Abstract Learners [9.139188656944429]
  本研究では,学習過程を考慮に入れて,学習スキルの出現を説明する数学的理論を開発する。 トレーニングテキスト数とスキル数との比率が一定の閾値を超えた場合、学習スキルの出現を実証する。 本研究では, サイトパーコレーション解析を用いて, スキルアソシエーショングラフにおける巨大成分の存在条件を導出する。
  論文  参考訳（メタデータ） (2024-04-10T13:50:46Z)
• Acquiring Diverse Skills using Curriculum Reinforcement Learning with Mixture of Experts [58.220879689376744]
  強化学習(Reinforcement Learning, RL)は, 優れた政策獲得のための強力なアプローチである。 多様なスキルを学習するための textbfDiverse textbfSkill textbfLearning (Di-SkilL) を提案する。 本稿では,Di-SkilLが多種多様なパフォーマンススキルを学習できるロボットシミュレーションタスクについて述べる。
  論文  参考訳（メタデータ） (2024-03-11T17:49:18Z)
• A Theory for Emergence of Complex Skills in Language Models [56.947273387302616]
  今日のAI製品の主要な要因は、パラメータセットとトレーニングコーパスのスケールアップ時に、言語モデルに新たなスキルが現れることだ。 本稿では,LSMの有名な(かつ実証的な)スケーリング法則と単純な統計的枠組みを用いて,その出現を解析する。
  論文  参考訳（メタデータ） (2023-07-29T09:22:54Z)
• Context-faithful Prompting for Large Language Models [51.194410884263135]
  大言語モデル(LLM)は世界事実に関するパラメトリック知識を符号化する。 パラメトリック知識への依存は、文脈的手がかりを見落とし、文脈に敏感なNLPタスクにおいて誤った予測をもたらす可能性がある。 我々は, LLMの文脈的忠実度を, 知識の衝突と, 棄権による予測の2つの側面で評価し, 向上する。
  論文  参考訳（メタデータ） (2023-03-20T17:54:58Z)
• Design of Negative Sampling Strategies for Distantly Supervised Skill Extraction [19.43668931500507]
  本稿では,リテラルマッチングによる遠隔監視に基づく,スキル抽出のためのエンドツーエンドシステムを提案する。 ESCO分類を用いて、関連するスキルからネガティブな例を選択することで、最大の改善が得られます。 我々は,タスクのさらなる研究を促進するために,研究目的のベンチマークデータセットをリリースする。
  論文  参考訳（メタデータ） (2022-09-13T13:37:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。