Kunstig intelligens kan snart blive i stand til at analysere dine tweets for at matche dig til et job

Forestil dig, at du er færdig fra gymnasiet, med verden før dig.

Men nu skal du beslutte, hvilken karriere du vil forfølge. Du håber på et job, der vil betale regningerne, men også en du vil nyde. Trods alt, du vil bruge en stor del af dine vågne timer på arbejdet.

Men hvordan kan du træffe et pålideligt valg - ud over hvad dine forældre måske presser på, eller hvad dine sidste års resultater vil give dig direkte adgang til.

Vores undersøgelse offentliggjort i dag i Procedurer fra National Academy of Science fundet forskellige erhverv tiltrækker mennesker med meget forskellige psykologiske egenskaber.

Når man leder efter en ny karriere, du kan besøge en karriererådgiver og besvare et sæt spørgsmål for at identificere dine interesser og styrker. Disse resultater bruges til at matche dig med et sæt potentielle erhverv.

Imidlertid, denne metode er baseret på lange undersøgelser, og tager ikke højde for, at mange erhverv ændrer sig eller forsvinder, efterhånden som teknologien ændrer beskæftigelseslandskabet.

Jobsøgning i det 21. århundrede

Vi spekulerede på, om vi kunne udvikle en datadrevet tilgang til at matche en person med et passende erhverv, baseret på psykologiske spor, de afslører online.

Undersøgelser har vist, at folk efterlader spor af sig selv gennem det sprog, de sender online og deres online adfærd.

Kunne vi analysere dette for at finde ud af, i hvilket omfang folk, der udfører det samme job, delte de samme personlighedstræk?

I vores forskning, vi identificerede mere end 100, 000 Twitter -brugere, hver af dem inkluderede en af ​​3, 513 jobtitler i deres brugerprofil.

Derefter, ved hjælp af et værktøj, der er tilgængeligt via IBMs skybaserede kunstige intelligensmotor Watson, og dens Personality Insights -service, vi gav hver profil en score på tværs af ti personlighedsrelaterede egenskaber, baseret på sproget i deres indlæg.

Vi brugte en række forskellige dataanalyser og maskinlæringsteknikker til at udforske personligheden i hvert af de erhverv.

For eksempel, til at oprette "kaldekompasskortet" brugte vi en uovervåget maskinlæringsalgoritme til at samle erhvervspersonlighedsdata i tyve forskellige klynger, grupperer de erhverv, der var mest ens i personlighed.

Et erhvervskort

Arbejde har længe været antaget at være mere tilfredsstillende, hvis det passer til den, vi er som person, hvad angår vores personlighed, værdier, og interesser.

Vores resultater bekræftede dette, og vi fandt ud af, at forskellige erhverv havde en tendens til at have meget forskellige personlighedsprofiler.

For eksempel, software programmører og forskere var generelt mere åbne over for at opleve en række nye aktiviteter, var intellektuelt nysgerrige, havde en tendens til at tænke i symboler og abstraktioner, og fandt gentagelse kedelig. På den anden side, elite tennisspillere havde en tendens til at være mere samvittighedsfulde, organiseret og behageligt.

Vores resultater peger på muligheden for at bruge data, der deles på sociale medier, til at matche en person til et passende job.

Vi brugte maskinlæring til at samle mere end tusinde roller baseret på de udledte personlighedstræk hos mennesker i disse roller.

Vi fandt ud af, at mange lignende job kunne grupperes sammen.

For eksempel, en klynge omfattede forskellige teknologijobs såsom softwareprogrammering, web-udvikling, og datalogi. En anden gruppe omfattede gym management, logistisk koordinering, og koncertfremmende tilbud.

Du kan udforske mere med dette interaktive online kort, vi lavede.

Imidlertid, mens mange af kombinationerne stemmer overens med eksisterende erhvervsklassifikatorer (nuværende formelle grupperinger, som regeringer og andre organisationer bruger til at gruppere job sammen), nogle klynger inkluderede roller, der ikke traditionelt var grupperet sammen.

For eksempel, kartografer, kornbønder og geologer endte med at grupperes sammen og delte lignende personlighedstræk til mange af de teknologiske fagfolk.

Et datadrevet kaldkompas

Med vores resultater, vi udforskede ideen om at opbygge et datadrevet kaldkompas:et anbefalingssystem, der kunne finde den bedste karriere, der passer til en persons personlighed.

Vi byggede et system, der kunne anbefale en beskæftigelse tilpasset folks personlighedstræk med over 70 procent nøjagtighed.

Selv når vores system var forkert, det var ikke langt væk, og pegede på erhverv med meget lignende færdigheder. For eksempel, det kan tyde på, at en digter bliver en fiktiv forfatter.

Erhverv ændrer sig hurtigt på grund af automatisering og teknologiske gennembrud. Og i vores forbundne, digital verden, vi efterlader spor af os selv. Vores arbejde har tilbudt en tilgang til at bruge disse spor på en produktiv måde.

Denne tilgang kan en dag bruges til at hjælpe folk med at finde deres drømmekarriere, eller i det mindste, better our understanding of the hidden personality dimensions of different roles.

Denne artikel er genudgivet fra The Conversation under en Creative Commons -licens. Læs den originale artikel.