加载中...
本文基于14百万条中国上市公司线上招聘数据,构建了基于对比学习的Extreme Multi-Label Classification (XMLC) 管线,将招聘文本映射到ESCO技能框架,证实企业AI能力因果上显著提升岗位中既有(occupation-aligned)和非既有技能的表达,并推动“前瞻性”技能的提前出现,表明AI既能减少招聘信息噪声又能帮助企业提前识别未来技能需求
| 结果维度 | 典型系数(AI_stock) | 说明 |
|---|---|---|
| Occupation-aligned skills (OLS) | 0.0002** | firm–occupation–year 层面,含 firm、occupation、year FE 与控件 |
| Non-aligned skills (OLS) | 0.0002–0.0003*** | 效果稳定于不同相似度阈值与折旧率 |
| 2SLS (examiner leniency IV) | 0.0003 (aligned), 0.0004 (non-aligned) | 第一阶段F>15,IV 与 OLS 估计相近,支持因果解释 |
报告元数据与概览
逐节深度解读
图表与表格深度解读(关键表/图逐一点评)
方法论与模型解释(细节解析)
估值/政策含义(学术意义而非金融估值)
风险因素与局限性(作者识别与补充评估)
批判性视角(基于论文内部信息的审慎评估)
结论性综合(要点回顾与研究贡献)
總体评价与建议(基于报告内容)
(全文基于原文各节内容逐条解读与溯源,引用页码见各段末标注。)
2601.03558.pdf