Leveraging Large Language Models for Career Mobility Analysis: A Study of Gender, Race, and Job C...

文章总结与翻译

一、主要内容

该研究聚焦美国大学毕业生的职业流动性，核心探究工作变动类型、性别与种族因素对向上职业流动（以5年内薪资增长为衡量标准）的影响。

1. 研究背景与数据基础

• 美国劳动力市场结构发生转变，内部劳动力市场萎缩、外部劳动力市场扩张，同时大学毕业生占比显著提升（1991年26%增至2022年近42%），但现有研究对该群体职业流动模式的关注不足。
• 采用Lightcast数据集的228,710条职业轨迹（筛选自约1416万份在线简历），涵盖1999-2022年的就业记录，通过数据清洗、轨迹构建等步骤解决数据噪声、缺失值等问题。

2. 核心研究问题

• RQ1：大学毕业生如何通过不同类型的工作变动实现向上职业流动？哪些因素促成流动成功？
• RQ2：不同性别和种族的大学毕业生，其向上职业流动的结果存在哪些差异？

3. 关键方法创新

• 提出FewSOC框架：基于大语言模型（LLM）的少样本提示学习方法，用于标准化职业分类（SOC编码），解决原始数据中职业标签仅63%准确的问题，经众包验证准确率达72%。
• 采用机器学习方法推断性别（准确率93.4%）和种族（准确率84%），整合BLS薪资数据、BEA地区GDP等外部数据，完善分析变量。
• 定义四类工作变动类型：跨公司跨职业变动（Type1）、公司内跨职业变动（Type2