Uit arbeidsmarktonderzoeken blijkt dat de mismatches alleen maar toenemen, bijvoorbeeld door digitalisering en automatisering. Hiermee neemt de kansenongelijkheid op de arbeidsmarkt toe (CBS, 2019; UWV, 2019). Dit resulteert in de volgende uitdagingen: om relevant en inzetbaar te blijven, moeten werknemers hun vaardigheden voortdurend opnieuw evalueren en actualiseren; bedrijven hebben een dringende behoefte aan innovatieve strategieën voor het zoeken, matchen en ontwikkelen van talent; en opleiders moeten de focus van hun cursussen en aanbod actualiseren.
Om nieuwe vaardigheden te omschrijven en te begrijpen, en om werknemers in staat te stellen vaardigheden te leren, af te leren en opnieuw aan te leren, is een overgang van een diploma gebaseerd naar een op vaardigheden gebaseerd leer- en werksysteem nodig. Een voorwaarde voor een op vaardigheden gebaseerde leer- en werkomgeving is een gemeenschappelijke taal; een skills-ontologie die vaardigheden kan herkennen, certificeren, waarderen en verbeteren.
Het matchen van werkzoekenden en werkgevers op basis van vaardigheden kent de volgende uitdagingen:
- De skills-ontologie moet dynamisch zijn vanwege veranderingen in de vaardigheidsbehoeften.
- De bias in vacatureteksten naar geslacht, leeftijd of etniciteit is sociaal onaanvaardbaar.
- De bemiddeling tussen het aanbod van vaardigheden en de vraag naar vaardigheden moet verder gaan dan de huidige eenvoudige puntensystematiek om een effectievere afstemming mogelijk te maken.
- Geautomatiseerde resultaten voor het matchen van vaardigheden moeten uit te leggen zijn aan gebruikers en moeten aansluiten op de kennis van arbeidsmarktexperts voor optimale resultaten.
In de use-case Skills Matching onderzoeken we hoe de inzet van Artificiële Intelligentie (AI) hier oplossingen voor kan bieden.
Inzet van Artificiële Intelligentie
Binnen het project worden verschillende AI–innovaties ingezet, zoals Hybride–AI, Verantwoorde–AI en skills-ontologie:
- Hybride AI: Het combineren van AI-technieken (zoals Natural Language Processing om skills te extraheren uit vacatureteksten) met kennismodellen (via een zogenoemde skills-ontologie waarin kennis is opgeslagen).
- Verantwoorde AI: Het met AI detecteren van bias en discriminatie in vacatureteksten en het geven van adviezen daaromtrent. Ook wordt AI gebruikt om bias in het matchen van werkzoekenden en werkgevers op basis van skills te verminderen.
- Skills-ontologie: in samenwerking met onder andere het UWV wordt er gewerkt aan de benodigde AI-innovaties voor een verbeterde, semiautomatische en dynamische skills-ontologie, die rekening houdt met de actualiteiten en trends op de arbeidsmarkt.
Welke uitdaging lost het op?
Het doel van het project is een verbetering te bewerkstellingen in het matchen van werkgevers en werkzoekenden op basis van vaardigheden met zo min mogelijk vooroordelen (bias) en waarbij de matches uitlegbaar zijn. Dit doen we door gebruik te maken van de drie bovengenoemde AI-innovaties. Uiteindelijk moet dit leiden tot meer tevreden werknemers en werkgevers en een vermindering van het aantal werkzoekenden.
Wat levert de use case op?
De beoogde resultaten zijn onder andere:
- Een methodiek die het mogelijk maakt om een Hybride-AI systeem toe te passen op een skills-ontologie en die de dynamiek van de arbeidsmarkt goed representeert.
- Een tool voor het matchen van werkgevers en werkzoekenden, die uitlegbaar is en gericht is op het voorkomen van arbeidsdiscriminatie.
Eerste resultaat
Om meer inzicht te krijgen in het potentieel van een gemeenschappelijke taal op een op vaardigheden gebaseerde arbeidsmarkt, vindt u hier de presentatie zoals gegeven op het jaarlijkse ECP-festival.
In dit paper wordt de in 2020 ontwikkelde demo beschreven die een verbetering in het matchen van vacatures en werkzoekenden kan bewerkstellingen op basis van vaardigheden met zo min mogelijk vooroordelen (bias) en waarbij de matches uitlegbaar zijn. De demo bevat functies zoals classificatie, skills-extractie, bias detectie en het algoritme om de overlap van competenties tussen een vacature en de skills-ontologie te berekenen. Indien u geïnteresseerd bent de demo uit te proberen, neem dan contact op met Merle Beaujon van TNO.
Samenwerkingspartners
Dit project is onderdeel van het Appl.AI programma van TNO en wordt mede gefinancierd vanuit de startimpuls die de NL AIC ontving van het kabinet voor onderzoek naar en het ontwikkelen van AI-toepassingen. In het project wordt er onder leiding van TNO samengewerkt met een aantal partijen waaronder UWV, SBB, CBS, CRM en Centerdata.
Vervolg stappen
In 2022 werken we verder aan de dynamische skills-ontologie, bias in vacatureteksten, skills matching algoritmes en skills matching.
Om de skills-ontologie dynamisch te maken is in 2021 vooral gewerkt aan het gebruik van bestaande beroepskennisbanken. In 2022 gaan we NLP-technologieën toepassen om het handmatige werk te vervangen. Bovendien richten we ons op andersoortige kennis, namelijk vaardigheden en kwalificatiekennis.
Om de skills-ontologie dynamisch te maken door te leren van actuele arbeidsmarktdata hebben we ons in 2021 gericht op het vinden van overeenkomsten tussen vaardigheden in de skills-ontologie en vacatureteksten. In 2022 streven we ernaar om nieuwe concepten te identificeren, bijvoorbeeld uit bestaande kennisbanken en vacatureteksten, en deze te integreren in de skills-ontologie.
Met betrekking tot bias richten we ons op de eerste stap van biasmitigatie, namelijk detectie. Op basis van de resultaten van de analyses en verkenningen gedaan in 2021 werken we in 2022 alleen aan genderbias. We streven naar een betere detectie van genderbias, zowel in vacatureteksten als in algoritmen voor het matchen van vaardigheden.
Op het gebied van matching hebben we ons in 2021 gericht op het vinden van matches tussen vaardigheden van sollicitanten en vaardigheden in vacatures en het in kaart brengen van de verschillen. In 2022 ontwikkelen we transitiepaden voor werkenden en werkzoekenden van banen met een laag potentieel naar een hoog potentieel op basis van vaardigheden.
Referenties
Artikelen in afwachting van publicatie:
- Vethman, A. Adhikari, M. H. T. de Boer, J. A. G. M. van Genabeek, C. J. Veenman “Context-Aware Discrimination Detection in Job Vacancies using Computational Language Models”, ingediend voor publicatie voor ACM conference of Fairness, Accountability and Transparency 2022 (link researchgate)
- Vethman, A.F. van Luenen, J.A.G.M. van Genabeek, C.J. Veenman, “Gender imbalance on the job market reflected bias in skills descriptions in major skills ontologies”, ingediend voor publicatie voor “Science Advances” (AAAS). (link to AAAS website)
- Zoomer, J.A.G.M van Genabeek and L. Oosterheert, “Leren van skills en het verkrijgen van ander werk: Een verkenning van de mogelijkheden voor leren en employability bij beroepsgroepen”, ingediend voor publicatie in Tijdschrift voor Arbeidsvraagstukken, 2022 thema uitgave Dynamiek op de Nederlandse Arbeidsmarkt. (link naar website)
