什麼是職業湧現？為何傳統分類系統跟不上？

職業湧現（Occupational Emergence）指的是新興職業從市場需求中逐漸形成獨特身份的过程。傳統職業分類系統（如職業標準分類）往往落後於實際市場變化數年，無法即時反映如「AI 提示工程師」、「機器學習運維工程師」等新興職位的誕生。

這些新職業的形成速度遠超過分類系統的更新速度。研究者提出一個關鍵問題：我們能否從大量的履歷數據中，直接偵測出正在形成的職業結構，而不依賴任何預先定義的分類法？

共吸引子理論：職業形成的核心機制

研究提出的核心概念是「共吸引子」（co-attractor）。這個理論認為，一個真正的職業是一種自我強化的結構，包含兩個相互支撐的元素：

  • 共享專業詞彙：從業者使用相似的術語、工具名稱、技能描述
  • 凝聚的從業群體：具有共同身份的專業人士形成社群

這兩者形成正反饋循環：共享詞彙使從業者感到歸屬，凝聚的群體又持續強化和傳播這個詞彙。當這種共吸引子結構在履歷數據中穩定出現時，就是職業湧現的信號。

零假設方法：從履歷資料偵測職業的步驟

這項研究提出「零假設方法」（Zero-Assumption Method），不需要預先設定職業分類標準，而是讓數據自己說話。以下是方法的關鍵步驟：

  1. 收集履歷數據：匯集大量求職者的履歷文本
  2. 建構詞彙網路：分析履歷中的技能詞彙、工具術語、職稱描述
    3. 偵測共吸引子：使用複雜網路分析技術，找出同時滿足「詞彙緊密連結」和「人群高度凝聚」的結構
  3. 驗證穩定性：確認這種結構在時間序列上持續存在

這個方法的核心優勢在於：它能從無到有地發現我們從未預料的新興職業。

實證研究：2022-2026 年美國 AI 科技勞動力

研究者以美國科技產業的 AI 相關職位為例，應用此方法分析 2022-2026 年的履歷數據。研究結果顯示：

  • 成功偵測到多個正在形成的 AI 新興職業
  • 這些新職業具有獨特的專業詞彙和社群結構
  • 方法比傳統職業分類提前 2-3 年偵測到職業湧現

例如，「AI 倫理工程師」這個職位在傳統分類中尚未出現，但在履歷數據中已經形成了穩定的詞彙網路和從業群體，顯示這是一個正在湧現的新興職業。

實際應用與產業價值

這項研究的零假設方法為多個領域帶來實際價值：

  • 人力資源：企業可提前識別新興技能需求，調整招募策略
  • 教育機構：大學可根據職業湧現趨勢設計新课程
  • 政策制定：政府能更即時地掌握勞動市場變化
  • 求職者：了解哪些新興職位正在形成，搶占職業先機

透過 NLP 技術和共吸引子理論，我們現在能夠即時追蹤職業的形成與演化，不再被動等待分類系統的更新。