Die KI
Die KI
Künstliche Intelligenz
Die KI
Künstliche Intelligenz auf den Punkt gebracht.
DAS PRINZP DES KARRIEREKOMPASSES
Die Entwicklung
Der KarriereKompass (ehemals Interaktiver Laufbahnatlas durch die Karrierelandschaft) ist eine Webanwendung, die auf einem PC oder einem Mobiltelefon genutzt werden kann. Das Prinzip ist sehr einfach.
Im ersten Schritt schreiben Nutzende einen Freitext mit Aussagen über sich selbst, wie z.B. „Ich leide unter Rückenschmerzen“, „Ich habe eine Elektriker-Ausbildung gemacht“ oder „Ich bin gerne unter Menschen“. Anschließend können Nutzende individuelle Filteroptionen wie z. B. „nur Ausbildung“ auswählen, um die Anzeige der Ergebnisse weiter zu verfeinern.
DAS PRINZIP
Die Entwicklung
Der KarriereKompass (ehemals Interaktiver Laufbahnatlas durch die Karrierelandschaft) ist eine Webanwendung, die auf einem PC oder einem Mobiltelefon genutzt werden kann. Das Prinzip ist sehr einfach.
Im ersten Schritt schreiben Nutzende einen Freitext mit Aussagen über sich selbst, wie z.B. „Ich leide unter Rückenschmerzen“, „Ich habe eine Elektriker-Ausbildung gemacht“ oder „Ich bin gerne unter Menschen“. Anschließend können Nutzende individuelle Filteroptionen wie z. B. „nur Ausbildung“ auswählen, um die Anzeige der Ergebnisse weiter zu verfeinern.
Was passiert im Hintergrund?
Ein Sprachmodell („KI = Künstliche Intelligenz“) im Hintergrund gleicht den freien Text mit möglichen Berufen ab. Als Ergebnis wird den Nutzenden eine Karte präsentiert, die eine persönliche sogenannte „Karrierelandschaft“ darstellt. Auf dieser Karte sehen sie verschiedene Berufe, die in Frage kommen könnten, jeweils gefiltert nach den individuellen Interessen, Kenntnissen und eventuellen Einschränkungen. Berufe, die in der Nähe der Nutzenden auf der Karte erscheinen, entsprechen eher der individuellen Beschreibung der angestrebten und für einen persönlich geeigneten Karriere, während Berufe, die weiter entfernt auf der Karte erscheinen, eine zusätzliche Ausbildung oder Schulung erfordern. Die Nutzenden können die Karrierelandschaft erkunden und Berufe, die für sie interessant klingen, für später speichern.
Die Webanwendung vermittelt dabei einen ansprechenden und realistischen Eindruck von Berufs-, Aus- und Weiterbildungsmöglichkeiten. Diese Optik ist nicht nur benutzerfreundlich, sondern schafft auch einen gut sortierten Überblick über mögliche Karrierechancen und Berufswege.
MEHR ÜBER DIE KI
Wie arbeitet die KI?
Im Hintergrund wird mit Hilfe von KI-gestützter Sprachverarbeitung eine räumliche Repräsentation der Positionen von Individuen in der Karrierelandschaft auf Basis der Freitext-Selbstbeschreibungen der Nutzenden berechnet.
Dabei werden sogenannte „Sentence Transformer Models“ [1] verwendet, um die textlichen Selbstbeschreibungen der Nutzenden als numerische Vektoren darzustellen. Diese Methoden des maschinellen Lernens transformieren eine Folge von Zeichen (z. B. Textdaten) in eine numerische Darstellung (d.h. Vektoren). Die Vektoren werden zur Durchführung mathematischer Operationen verwendet, wobei bei dem KarriereKompass ein Vergleich zwischen Stellenbeschreibungen und Benutzerangaben anhand der Cosinus-Ähnlichkeit auf der Grundlage mathematischer Darstellungen berechnet wird.
Die Cosinus-Ähnlichkeit ist ein Maß für die Ähnlichkeit zweier Vektoren und kann konzeptionell mit einer Korrelation (im Bereich von -1 bis 1) verglichen werden. Dieser Vergleich findet in einer hochdimensionalen Darstellung statt, die oft als semantischer Raum bezeichnet wird. Hier besteht dieser Raum aus 768 Dimensionen, was für eine sinnvolle visuelle Darstellung zu viel ist. Daher werden die Ergebnisse mit Hilfe dimensionsreduzierender Verfahren (z. B. UMAP) auf eine zweidimensionale Darstellung in Form einer grafisch ansprechenden Landschaft projiziert.
[1]. N. Reimers and I. Gurevych. Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. 2019.
Bilder: Ganz oben: KI-Modell / Methode
Unten: Erste Mock-Up-Entwürfe für den
KarriereKompass
MEHR ÜBER KÜNSTLICHE INTELLIGENZ
Wie arbeitet die KI genau?
Im Hintergrund wird mit Hilfe von KI-gestützter Sprachverarbeitung eine räumliche Repräsentation der Positionen von Individuen in der Karrierelandschaft auf Basis der Freitext-Selbstbeschreibungen der Nutzenden berechnet. Dabei werden sogenannte „Sentence Transformer Models“ [1] verwendet, um die textlichen Selbstbeschreibungen der Nutzenden als numerische Vektoren darzustellen. Diese Methoden des maschinellen Lernens transformieren eine Folge von Zeichen (z. B. Textdaten) in eine numerische Darstellung (d.h. Vektoren). Die Vektoren werden zur Durchführung mathematischer Operationen verwendet, wobei bei dem KarriereKompass ein Vergleich zwischen Stellenbeschreibungen und Benutzerangaben anhand der Cosinus-Ähnlichkeit auf der Grundlage mathematischer Darstellungen berechnet wird.
Die Cosinus-Ähnlichkeit ist ein Maß für die Ähnlichkeit zweier Vektoren und kann konzeptionell mit einer Korrelation (im Bereich von -1 bis 1) verglichen werden. Dieser Vergleich findet in einer hochdimensionalen Darstellung statt, die oft als semantischer Raum bezeichnet wird. Hier besteht dieser Raum aus 768 Dimensionen, was für eine sinnvolle visuelle Darstellung zu viel ist. Daher werden die Ergebnisse mit Hilfe dimensionsreduzierender Verfahren (z. B. UMAP) auf eine zweidimensionale Darstellung in Form einer grafisch ansprechenden Landschaft projiziert.
[1]. N. Reimers and I. Gurevych. Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. 2019.
MEHR ÜBER KÜNSTLICHE INTELLIGENZ
Wie arbeitet die KI genau?
Im Hintergrund wird mit Hilfe von KI-gestützter Sprachverarbeitung eine räumliche Repräsentation der Positionen von Individuen in der Karrierelandschaft auf Basis der Freitext-Selbstbeschreibungen der Nutzenden berechnet.
Dabei werden sogenannte „Sentence Transformer Models“ [1] verwendet, um die textlichen Selbstbeschreibungen der Nutzenden als numerische Vektoren darzustellen. Diese Methoden des maschinellen Lernens transformieren eine Folge von Zeichen (z. B. Textdaten) in eine numerische Darstellung (d.h. Vektoren). Die Vektoren werden zur Durchführung mathematischer Operationen verwendet, wobei bei dem KarriereKompass ein Vergleich zwischen Stellenbeschreibungen und Benutzerangaben anhand der Cosinus-Ähnlichkeit auf der Grundlage mathematischer Darstellungen berechnet wird.
Die Cosinus-Ähnlichkeit ist ein Maß für die Ähnlichkeit zweier Vektoren und kann konzeptionell mit einer Korrelation (im Bereich von -1 bis 1) verglichen werden. Dieser Vergleich findet in einer hochdimensionalen Darstellung statt, die oft als semantischer Raum bezeichnet wird. Hier besteht dieser Raum aus 768 Dimensionen, was für eine sinnvolle visuelle Darstellung zu viel ist. Daher werden die Ergebnisse mit Hilfe dimensionsreduzierender Verfahren (z. B. UMAP) auf eine zweidimensionale Darstellung in Form einer grafisch ansprechenden Landschaft projiziert.
[1]. N. Reimers and I. Gurevych. Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. 2019.
Bilder rechts: KI-Modell / Methode sowie erste Mock-Up-Entwürfe für den
KarriereKompass
NOCH MEHR ÜBER DIE KI
KI-Trainingsmethode
Den Anfang bildete ein vortrainiertes Satzumwandlungsmodell, das feinabgestimmt wurde, um es für diese spezifische Anwendung zu trainieren. Dies geschah in zwei Schritten [2]:
Schritt 1: Polaritätskalibrierung
Während der Polaritätskalibrierung wurde das Modell so trainiert, dass es zwischen semantisch gegensätzlichen Konzepten unterscheiden kann. Dies war notwendig, da die Cosinus-Ähnlichkeit zwar von -1 bis 1 reicht, negative Koeffizienten beim Vergleich von Vektordarstellungen von Sätzen jedoch selten auftreten [2]. Diese Einschränkung ergibt sich vor allem daraus, dass die hochdimensionale Vektordarstellung von Sätzen eine Reihe von abstrakten sprachlichen Merkmalen kodiert, von denen viele in der Regel über Textsequenzen hinweg positiv korrelieren. Das Ziel der Polaritätskalibrierung ist es, den Cosinus-Abstand zwischen den Vektordarstellungen der jeweiligen Konzepte zu maximieren.
Schritt 2: Die Bereichsanpassung
Die Bereichsanpassung hilft dem Modell, sich auf die Textsegmente zu konzentrieren, die relevante Informationen vermitteln. Im letzten Schritt werden die berufsbezogenen Daten (von der Webseite der Bundesagentur für Arbeit) in den semantischen Raum kodiert. Zusammen mit den kodierten Selbstauskünften der Nutzenden können die Distanzen der Vektoren zueinander berechnet und durch die Darstellung der Dimensionen in einer prozedural generierten Karte in einem ansprechenden zweidimensionalen Raum dargestellt werden.
[2]. B. E. Hommel and R. C. Arslan. Language models accurately infer correlations between psychological items and scales from text alone. Center for Open Science, 2024. doi: 10.31234/osf.io/kjuce.
NOCH MEHR ÜBER DIE KÜNSTLICHE INTELLIGENZ
Die KI-Trainingsmethode
Den Anfang bildete ein vortrainiertes Satzumwandlungsmodell, das feinabgestimmt wurde, um das Modell für diese spezifische Anwendung zu trainieren. Dies geschah in zwei Schritten [2]:
Schritt 1: Polaritätskalibrierung
Während der Polaritätskalibrierung wurde das Modell so trainiert, dass es zwischen semantisch gegensätzlichen Konzepten unterscheiden kann. Dies war notwendig, da die Cosinus-Ähnlichkeit zwar von -1 bis 1 reicht, negative Koeffizienten beim Vergleich von Vektordarstellungen von Sätzen jedoch selten auftreten [2]. Diese Einschränkung ergibt sich vor allem daraus, dass die hochdimensionale Vektordarstellung von Sätzen eine Reihe von abstrakten sprachlichen Merkmalen kodiert, von denen viele in der Regel über Textsequenzen hinweg positiv korrelieren. Das Ziel der Polaritätskalibrierung ist es, den Cosinus-Abstand zwischen den Vektordarstellungen der jeweiligen Konzepte zu maximieren.
Schritt 2: Die Bereichsanpassung
Die Bereichsanpassung hilft dem Modell, sich auf die Textsegmente zu konzentrieren, die relevante Informationen vermitteln. Im letzten Schritt werden die berufsbezogenen Daten (Quelle: offizielle Webseite der Bundesagentur für Arbeit) in den semantischen Raum kodiert. Zusammen mit den kodierten Selbstauskünften der Nutzenden können schließlich die Distanzen der Vektoren zueinander berechnet und durch die Darstellung der Dimensionen in einer prozedural generierten Karte in einem ansprechenden zweidimensionalen Raum dargestellt werden.
[2]. B. E. Hommel and R. C. Arslan. Language models accurately infer correlations between psychological items and scales from text alone. Center for Open Science, 2024. doi: 10.31234/osf.io/kjuce.
EIN GARANT FÜR DIE MARKTTAUGLICHKEIT
Die Evaluierungsstudie(n)
Ziel der Evaluierungsstudie ist es, die Wirksamkeit und Effizienz der Anwendung zu untersuchen und sicherzustellen, dass sie den Bedürfnissen der Nutzenden entspricht. Zunächst wurden die Hindernisse bei der Stellensuche analysiert und eine maßgeschneiderte Lösung entwickelt, um die Berufsberatung und -entwicklung für Menschen in allen Lebensphasen deutlich zu verbessern. Die Evaluierung der Webanwendung wurde dabei in zwei Schritten geplant: eine Evaluierung mit der ersten Version der Anwendung, um die Benutzerfreundlichkeit zu überprüfen und kleine Fehler zu finden und zu beheben. Sobald die Benutzerfreundlichkeit der Webanwendung zufriedenstellend war, erfolgte in einem zweiten Schritt die Evaluierung dieser im Hinblick auf psychologisch relevante Konzepte.
Das methodische Design der Evaluationsstudie entspricht dem klassischen Design mit einer Interventionsgruppe und einer Kontrollgruppe. Die Interventionsgruppe wird den KarriereKompass nutzen, während die Kontrollgruppen ihn entweder nicht nutzen, eine herkömmliche Berufsberatung erhalten oder Informationen über Berufsausbildungen von herkömmlichen Websites erhalten. Vor und nach der Intervention werden die Auswirkungen der oben genannten Hypothesen getestet. Das Sammeln und Analysieren dieser Daten ermöglicht einen umfassenden Einblick in die Auswirkungen des KarriereKompasses und identifiziert Potenziale für zukünftige Verbesserungen und Erweiterungen.
MARKTTAUGLICH?
Evaluierungsstudie
Ziel der Evaluierungsstudie ist es, die Wirksamkeit und Effizienz der Anwendung zu untersuchen und sicherzustellen, dass sie den Bedürfnissen der Nutzenden entspricht. Zuerst wurden die Hindernisse bei der Stellensuche analysiert und dafür eine maßgeschneiderte Lösung entwickelt, um die Berufs-beratung und -entwicklung für Menschen in allen Lebensphasen deutlich zu verbessern. Die Evaluierung der Webanwendung wurde dabei in zwei Schritten geplant: eine Evaluierung mit der Ur-Version, um die Benutzerfreundlichkeit zu überprüfen und kleine Fehler zu beheben. Bei zufriedenstellender Benutzerfreundlichkeit erfolgte im zweiten Schritt die Evaluierung im Hinblick auf psychologisch relevante Konzepte.
Das methodische Design der Studie entspricht dem klassischen Design mit einer Interventions- und einer Kontrollgruppe. Die Interventionsgruppe nutzte den KarriereKompass, während die Kontrollgruppe ihn entweder nicht nutzte, eine herkömmliche Berufsberatung oder Informationen über Berufsausbildungen von herkömmlichen Websites erhielt. Vor und nach der Intervention wurden die Auswirkungen der oben genannten Hypothesen getestet. Das Sammeln und Analysieren dieser Daten ermöglichte einen umfassenden Einblick in die Auswirkungen der App und identifizierte die Potenziale für zukünftige Verbesserungen und Erweiterungen.
EIN GARANT FÜR DIE MARKTTAUGLICHKEIT
Die Evaluierungsstudie(n)
Ziel der Evaluierungsstudie ist es, die Wirksamkeit und Effizienz der Anwendung zu untersuchen und sicherzustellen, dass sie den Bedürfnissen der Nutzenden entspricht. Zunächst wurden die Hindernisse bei der Stellensuche analysiert und eine maßgeschneiderte Lösung entwickelt, um die Berufsberatung und -entwicklung für Menschen in allen Lebensphasen deutlich zu verbessern. Die Evaluierung der Webanwendung wurde dabei in zwei Schritten geplant: eine Evaluierung mit der ersten Version der Anwendung, um die Benutzerfreundlichkeit zu überprüfen und kleine Fehler zu finden und zu beheben. Sobald die Benutzerfreundlichkeit der Webanwendung zufriedenstellend war, erfolgte in einem zweiten Schritt die Evaluierung dieser im Hinblick auf psychologisch relevante Konzepte.
Das methodische Design der Evaluationsstudie entspricht dem klassischen Design mit einer Interventionsgruppe und einer Kontrollgruppe. Die Interventionsgruppe wird den KarriereKompass nutzen, während die Kontrollgruppen ihn entweder nicht nutzen, eine herkömmliche Berufsberatung erhalten oder Informationen über Berufsausbildungen von herkömmlichen Websites erhalten. Vor und nach der Intervention werden die Auswirkungen der oben genannten Hypothesen getestet. Das Sammeln und Analysieren dieser Daten ermöglicht einen umfassenden Einblick in die Auswirkungen des KarriereKompasses und identifiziert Potenziale für zukünftige Verbesserungen und Erweiterungen.
LESEN SIE DIESEN ARTIKEL
The Interactive Career Atlas - an AI-based Web Application for Informed Career Decisions
Karoline Schubert, Nina Mader, Melina S. Welt, Björn E. Hommel, Franz J. M.Wollang and Judith Volmer
LESEN SIE DEN GANZEN ARTIKEL
Mehr über den KarriereKompass
The Interactive Career Atlas - an AI-based Web Application
for Informed Career Decisions.
Karoline Schubert, Nina Mader, Melina S. Welt, Björn E. Hommel, Franz J. M.Wollang and Judith Volmer
Wichtige Links
Ein Projekt der
Wichtige Links
Otto-Friedrich-Universität Bamberg
Wichtige Links
Ein Projekt der