Study on Skills Gap Beyond COVID
Notice bibliographique
Résumé
Keeping up with the pace of technological advancement is a challenge for companies of all shapes and sizes. It is increasingly crucial to reskill and upskill in the changing era of innovation, especially post-pandemic (Beyond Covid), and acquiring soft skills is imperative for success in the digital era. The importance of soft skills, like teamwork, communication skills, problem-solving, and critical thinking, is a growing demand, heightened especially during the pandemic while working remotely. Upskilling ensures employees’ skillsets won’t become obsolete. As you reskill your employees, you create a more well-rounded, cross-trained workforce, and increase your team’s effectiveness. (itagroup.com, n.d.) According to the United Nations Department of Economic and Social Affairs, the equivalent of 255 million full-time jobs have been lost due to the pandemic, and 1.6 billion informal economy workers lacking a social safety net have been significantly affected. The recovery will be slow; global economic growth is expected to return to pre-pandemic levels only by 2022 or 2023. The pandemic has dramatically accelerated the need for new skills in the workforce, with social and emotional skills high in demand. The proportion of companies addressing empathy and interpersonal skills doubled in 2020, according to our newest McKinsey Global Survey on reskilling. (McKinsey, 2021)
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,005 | 0,009 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».