机构名称：
¥ 1.0
职业分类是统计学家，经济学家，社会学家使用的有用工具，可以为工作任务和内容的相似之处提供描述者，以及经济和机构背景下的相似之处。要提供现实的社会或经济分析，必须定期更新职业分类词典。在2020年，散布了法国职业分类的新词典（PCS 2020），并配有一种自动完成工具，该工具将5,000个工作的列表完美地链接到其分类类别。只有此列表中的响应仍有待编码。insee选择不将其基于规则的自动编码系统设置为上一个词典中的代码（PCS 2003）中的代码，以适应新词典。Insee而不是选择使用机器学习技术来执行这种类型的分类任务，期望它们的表现良好。在2021年，进行了大型的手动标签活动：在2020年PCS中标记了大约100,000个人口普查工作答案，每两次由两个不同的手动编码器进行标记，并在需要时进行第三次套装，以确保培训/测试集的质量培训/测试设置。最终选择了一种两层神经网络算法（N-gram和分类器的FastText嵌入）。该实验表明，两种自动编码模式（非上市的列表和监督学习）的组合允许在当前职业中达到甚至超过上一个系统的准确率，但对于先前的职业（退休和失业）而言，它具有更多的纸张滑倒。与发送到手动工作的零件的组合可以获得一些准确性。基于这些结果，在2022年研究了预测和培训工具到人口普查生产链中的集成，目的是在PCS 2020中编码2024年的人口普查活动。这涵盖了评估（一部分）在实验过程中开发的（一部分）集成的成本和收益。这涵盖了定义与职业编码相对于职业编码的新组织，定义了通过算法评估和控制编码质量的不同角色和策略。这还涵盖了另一个最佳目标，更雄心勃勃的挑战是构建完全互惠的工具，以从不同来源和不同参与者中编码PCS 2020数据中编码。
人口普查中用于编码职业的机器学习
主要关键词
相关文件推荐
