AI skills in cybersecurity: global job trends analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose This study aims to identify the key artificial intelligence (AI) skills in demand for cybersecurity roles globally and examines their relationships with cybersecurity tasks across different countries. It aims to address the knowledge gap in AI skill requirements and how they vary regionally to inform workforce development and educational programs. Design/methodology/approach Using semantic network analysis (SNA), the study analyzes 8,262 job postings from nine countries, including the USA, UK, UAE, France, Germany, Canada, Belgium, Australia and Italy. Data was collected from Indeed.com using a Python tool, followed by text preprocessing and network mapping of AI skills. Findings The analysis shows that AI skills such as machine learning (ML), natural language processing (NLP), predictive analytics and neural networks are in high demand globally. These skills are closely tied to cybersecurity functions such as threat intelligence, anomaly detection and automated incident response. Regional differences exist, with the USA and UK focusing on threat intelligence, while the UAE emphasizes automated incident response. Research limitations/implications The study is limited to job postings from Indeed.com. Expanding to other job platforms and regions would provide a broader perspective. The subjective interpretation of SNA may also introduce bias in identifying skill relationships. Practical implications Educational institutions, job seekers and employers can use these findings to tailor curricula, job descriptions and training programs, addressing the most critical AI skills in cybersecurity. Originality/value To the best of the author’s knowledge, this study is among the first to use SNA to map global AI skills demand in cybersecurity, offering valuable cross-country insights that fill a critical research gap.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle