{"id":{"repo_id":"corvinus","oai_identifier":"oai:phd.lib.uni-corvinus.hu:1130"},"canonical_url":"https://search.dev.ndltd.org/etd/corvinus/oai:phd.lib.uni-corvinus.hu:1130","repository":{"repo_id":"corvinus","name":"Corvinus University of Budapest","base_url":"http://phd.lib.uni-corvinus.hu/cgi/oai2"},"display":{"title":"Munkaerőpiaci adattárház tervezése kompetenciatrendek elemzésére","abstract":"A munkaerőpiaci kereslet rendkívüli ütemben változik. A kompetenciák és a tudás a kereslet szempontjából gyorsan avulnak, egyre újabb és újabb ismeretekre van szükség. A legfontosabb alapkészségek megalapozásán túl, melyeket a hallgatók hosszú távon használni tudnak, a rövid távú versenyképesség biztosítása érdekében az oktatási intézményeknek folyamatosan összhangban kellene tartania a tanterveket a munkaerőpiaci kereslettel, amit számos tényező befolyásol és előrejelzése egyáltalán nem triviális. Az érintettek, a tárgy- és szakfelelősök legnagyobb nehézsége ebből a szempontból az, hogy nem látják előre az igények változását. Ha objektív képet kaphatnának arról, hogy a kompetenciák iránti kereslet hogyan alakul a munkaerőpiacon, akkor következtetéseket tudnának levonni a jövőbeli trendekre vonatkozóan. A legfontosabb információ, amire egy ilyen előrejelzéshez szükség van, az a munkaerőpiaci kereslet reprezentációja az egyes pillanatokban, idősorosan rögzítve. Ezt tulajdonképpen „pillanatképek” összességének is felfoghatjuk az egyes időpillanatokban igényelt kompetenciahalmazokról. Disszertációmban erre, a kompetenciakereslet és a felsőoktatási kínálat rövid távú összehangolására igyekszem fókuszálni egy olyan keretrendszer felvázolásával, melynek segítségével a munkaerőpiaci trendek és a keresletet leíró adatok valós időben elemezhetőek. Egy munkaerőpiaci „adattárház” koncepciójának kidolgozására teszek kísérletet, melyben a keresletre vonatkozó, álláshirdetésekben megjelenő információk összegyűjthetőek. Megvizsgálok olyan módszereket, melyek segítségével az állásajánlatokban explicit és implicit módon megjelenő, kompetenciakeresletet tükröző információk kinyerhetőek. Egy ilyen jellegű információforrás segítségével a felsőoktatás döntéshozói folyamatosan hozzá tudnák igazítani a kurzusok tematikáját a munkaerőpiaci kereslethez, és olyan kompetenciák elsajátítására tudnak lehetőséget kínálni a hallgatóknak, amit azok karrierjük első éveiben sikeresen értékesíteni tudnak a piacon. Az első kutatási kérdésem célja az adattárolási architektúra kiválasztását megalapozó szempontrendszer, majd segítségével a legmegfelelőbb architektúramodell kidolgozása volt. Implementáltam az adatokat legyűjtő scraper alkalmazást és elkezdtem az automatizált adatgyűjtést. 2019 januárjától közel négyszázezer hirdetést gyűjtöttem össze. Kidolgoztam az adatoknak egy lehetséges modelljét, továbbá a kiválasztási szempontok részletes vizsgálatával ajánlást tettem a megvalósításra javasolt adattárolási architektúrára. Kutatásom ezen szakasza feltáró jellegű. Az architektúraválasztási szempontrendszert szekunder kutatás, illetve szakirodalmi áttekintés segítségével dolgoztam ki. A munkaerőpiaci adattárház legfontosabb céljaként fogalmaztam meg, hogy a hirdetések kompetenciatartalmáról, annak időbeli- és térbeli alakulásáról hasznos információkat szolgáltasson a döntéshozók számára. Disszertációm második kutatási kérdéséhez kapcsolódóan bemutattam olyan módszereket, melyekkel hatékonyan kinyerhető ez az információ a hirdetések szövegéből. Bemutattam gyakori szövegbányászati – az egyes2 kifejezések előfordulási gyakoriságára alapuló – módszereket. Külső ontológiákban található kompetenciakifejezések és karakterláncok hasonlóságát számszerűsítő metrikák segítségével felépítettem egy logit modellt, melynek tesztadatokon mért felidézési aránya 85%, míg a precizitása 71,9%. Mivel a folyamatba való manuális beavatkozás kezdetben elkerülhetetlen, azaz mielőtt elfogadhatnánk ezeket a kompetenciajelölteket valós kompetenciaként, egy szakértőnek át kell néznie az eredményeket, így a modell elfogadható, mint ami hasznos információkkal tud szolgálni, és hozzáadott értékkel bír. A kutatás harmadik nagy blokkjában megvizsgáltam, hogy az álláshirdetésekben közvetlenül nem megjelenő, látens kompetenciák beazonosítása milyen módszerekkel lehetséges. Kidolgoztam egy reguláris kifejezésekre és egyszerű szabályokra alapuló módszert, melynek segítségével a 2019 októberi álláshirdetések 23,7%-át tudtam foglalkozáshoz kapcsolni, 97,5%- ban helyesen. Részletesen bemutattam egy döntési fára alapuló osztályozó modellt, melynek segítségével arra tettem kísérletet, hogy a hirdetéseket – címük alapján – a felhasznált ontológiákban leírt foglalkozásokhoz társítsam. A legjobbként elfogadott modell teszthalmazon mért precizitása 58%, míg felidézési aránya 68%, ami bár nem kiemelkedő, de felveszi a versenyt az irodalomban általam fellelt, hasonló feladatra megalkotott modellekkel (Amato et al. 2015). Saját t-SNE módszerrel végzett kísérletem alapján megerősítettem Csepregi (2020) eredményeit, miszerint az álláshirdetések klaszterei (témacsoportok) nem, vagy csak nagyon korlátozottan, kis hatásfokkal beazonosíthatóak azok leírásából készült tf-idf mátrix alapján. A 7. fejezet utolsó részében bemutattam egy harmadik lehetséges irányt a látens igények feltárására, az explicit megjelenő kompetenciák ontológiakapcsolatainak segítségével","abstract_html":"A munkaerőpiaci kereslet rendkívüli ütemben változik. A kompetenciák és a tudás a kereslet szempontjából gyorsan avulnak, egyre újabb és újabb ismeretekre van szükség. A legfontosabb alapkészségek megalapozásán túl, melyeket a hallgatók hosszú távon használni tudnak, a rövid távú versenyképesség biztosítása érdekében az oktatási intézményeknek folyamatosan összhangban kellene tartania a tanterveket a munkaerőpiaci kereslettel, amit számos tényező befolyásol és előrejelzése egyáltalán nem triviális. Az érintettek, a tárgy- és szakfelelősök legnagyobb nehézsége ebből a szempontból az, hogy nem látják előre az igények változását. Ha objektív képet kaphatnának arról, hogy a kompetenciák iránti kereslet hogyan alakul a munkaerőpiacon, akkor következtetéseket tudnának levonni a jövőbeli trendekre vonatkozóan. A legfontosabb információ, amire egy ilyen előrejelzéshez szükség van, az a munkaerőpiaci kereslet reprezentációja az egyes pillanatokban, idősorosan rögzítve. Ezt tulajdonképpen „pillanatképek” összességének is felfoghatjuk az egyes időpillanatokban igényelt kompetenciahalmazokról. Disszertációmban erre, a kompetenciakereslet és a felsőoktatási kínálat rövid távú összehangolására igyekszem fókuszálni egy olyan keretrendszer felvázolásával, melynek segítségével a munkaerőpiaci trendek és a keresletet leíró adatok valós időben elemezhetőek. Egy munkaerőpiaci „adattárház” koncepciójának kidolgozására teszek kísérletet, melyben a keresletre vonatkozó, álláshirdetésekben megjelenő információk összegyűjthetőek. Megvizsgálok olyan módszereket, melyek segítségével az állásajánlatokban explicit és implicit módon megjelenő, kompetenciakeresletet tükröző információk kinyerhetőek. Egy ilyen jellegű információforrás segítségével a felsőoktatás döntéshozói folyamatosan hozzá tudnák igazítani a kurzusok tematikáját a munkaerőpiaci kereslethez, és olyan kompetenciák elsajátítására tudnak lehetőséget kínálni a hallgatóknak, amit azok karrierjük első éveiben sikeresen értékesíteni tudnak a piacon. Az első kutatási kérdésem célja az adattárolási architektúra kiválasztását megalapozó szempontrendszer, majd segítségével a legmegfelelőbb architektúramodell kidolgozása volt. Implementáltam az adatokat legyűjtő scraper alkalmazást és elkezdtem az automatizált adatgyűjtést. 2019 januárjától közel négyszázezer hirdetést gyűjtöttem össze. Kidolgoztam az adatoknak egy lehetséges modelljét, továbbá a kiválasztási szempontok részletes vizsgálatával ajánlást tettem a megvalósításra javasolt adattárolási architektúrára. Kutatásom ezen szakasza feltáró jellegű. Az architektúraválasztási szempontrendszert szekunder kutatás, illetve szakirodalmi áttekintés segítségével dolgoztam ki. A munkaerőpiaci adattárház legfontosabb céljaként fogalmaztam meg, hogy a hirdetések kompetenciatartalmáról, annak időbeli- és térbeli alakulásáról hasznos információkat szolgáltasson a döntéshozók számára. Disszertációm második kutatási kérdéséhez kapcsolódóan bemutattam olyan módszereket, melyekkel hatékonyan kinyerhető ez az információ a hirdetések szövegéből. Bemutattam gyakori szövegbányászati – az egyes2 kifejezések előfordulási gyakoriságára alapuló – módszereket. Külső ontológiákban található kompetenciakifejezések és karakterláncok hasonlóságát számszerűsítő metrikák segítségével felépítettem egy logit modellt, melynek tesztadatokon mért felidézési aránya 85%, míg a precizitása 71,9%. Mivel a folyamatba való manuális beavatkozás kezdetben elkerülhetetlen, azaz mielőtt elfogadhatnánk ezeket a kompetenciajelölteket valós kompetenciaként, egy szakértőnek át kell néznie az eredményeket, így a modell elfogadható, mint ami hasznos információkkal tud szolgálni, és hozzáadott értékkel bír. A kutatás harmadik nagy blokkjában megvizsgáltam, hogy az álláshirdetésekben közvetlenül nem megjelenő, látens kompetenciák beazonosítása milyen módszerekkel lehetséges. Kidolgoztam egy reguláris kifejezésekre és egyszerű szabályokra alapuló módszert, melynek segítségével a 2019 októberi álláshirdetések 23,7%-át tudtam foglalkozáshoz kapcsolni, 97,5%- ban helyesen. Részletesen bemutattam egy döntési fára alapuló osztályozó modellt, melynek segítségével arra tettem kísérletet, hogy a hirdetéseket – címük alapján – a felhasznált ontológiákban leírt foglalkozásokhoz társítsam. A legjobbként elfogadott modell teszthalmazon mért precizitása 58%, míg felidézési aránya 68%, ami bár nem kiemelkedő, de felveszi a versenyt az irodalomban általam fellelt, hasonló feladatra megalkotott modellekkel (Amato et al. 2015). Saját t-SNE módszerrel végzett kísérletem alapján megerősítettem Csepregi (2020) eredményeit, miszerint az álláshirdetések klaszterei (témacsoportok) nem, vagy csak nagyon korlátozottan, kis hatásfokkal beazonosíthatóak azok leírásából készült tf-idf mátrix alapján. A 7. fejezet utolsó részében bemutattam egy harmadik lehetséges irányt a látens igények feltárására, az explicit megjelenő kompetenciák ontológiakapcsolatainak segítségével","abstract_has_math":false,"creators":["Neusch, Gábor Loránd"],"institution":"Budapesti Corvinus Egyetem","degree_name":"phd","degree_level":"doctoral","degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2021,"date_issued":"2021-06","date_published":"2021-06","updated_at":"2026-07-24T01:49:39Z","subjects":["Oktatás","Munkaügy"],"languages":["hu","en"],"rights":[],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":null,"outbound_label":null,"outbound_source":null},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Neusch, Gábor Loránd"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2021-06-28"]},{"key":"dc:date.issued","label":"Date","values":["2021-06"]},{"key":"dc:publisher.department","label":"Dc Publisher Department","values":["Gazdaságinformatika Doktori Iskola"]},{"key":"dc:publisher.institution","label":"Dc Publisher Institution","values":["Budapesti Corvinus Egyetem"]},{"key":"dc:relation.isreferencedby","label":"Dc Relation Isreferencedby","values":["https://phd.lib.uni-corvinus.hu/1130/"]},{"key":"dc:type","label":"Dc Type","values":["Disszertáció"]},{"key":"dc:type.qualificationlevel","label":"Dc Type Qualificationlevel","values":["doctoral"]},{"key":"dc:type.qualificationname","label":"Dc Type Qualificationname","values":["phd"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Oktatás","Munkaügy"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["hu","en"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://phd.lib.uni-corvinus.hu/1130/1/Neusch_Gabor_Lorand_dhu.pdf","https://phd.lib.uni-corvinus.hu/1130/2/Neusch_Gabor_Lorand_ten.pdf","https://phd.lib.uni-corvinus.hu/1130/5/Neusch_Gabor_Lorand_thu.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["A munkaerőpiaci kereslet rendkívüli ütemben változik. A kompetenciák és a tudás a kereslet szempontjából gyorsan avulnak, egyre újabb és újabb ismeretekre van szükség. A legfontosabb alapkészségek megalapozásán túl, melyeket a hallgatók hosszú távon használni tudnak, a rövid távú versenyképesség biztosítása érdekében az oktatási intézményeknek folyamatosan összhangban kellene tartania a tanterveket a munkaerőpiaci kereslettel, amit számos tényező befolyásol és előrejelzése egyáltalán nem triviális. Az érintettek, a tárgy- és szakfelelősök legnagyobb nehézsége ebből a szempontból az, hogy nem látják előre az igények változását. Ha objektív képet kaphatnának arról, hogy a kompetenciák iránti kereslet hogyan alakul a munkaerőpiacon, akkor következtetéseket tudnának levonni a jövőbeli trendekre vonatkozóan. A legfontosabb információ, amire egy ilyen előrejelzéshez szükség van, az a munkaerőpiaci kereslet reprezentációja az egyes pillanatokban, idősorosan rögzítve. Ezt tulajdonképpen „pillanatképek” összességének is felfoghatjuk az egyes időpillanatokban igényelt kompetenciahalmazokról. Disszertációmban erre, a kompetenciakereslet és a felsőoktatási kínálat rövid távú összehangolására igyekszem fókuszálni egy olyan keretrendszer felvázolásával, melynek segítségével a munkaerőpiaci trendek és a keresletet leíró adatok valós időben elemezhetőek. Egy munkaerőpiaci „adattárház” koncepciójának kidolgozására teszek kísérletet, melyben a keresletre vonatkozó, álláshirdetésekben megjelenő információk összegyűjthetőek. Megvizsgálok olyan módszereket, melyek segítségével az állásajánlatokban explicit és implicit módon megjelenő, kompetenciakeresletet tükröző információk kinyerhetőek. Egy ilyen jellegű információforrás segítségével a felsőoktatás döntéshozói folyamatosan hozzá tudnák igazítani a kurzusok tematikáját a munkaerőpiaci kereslethez, és olyan kompetenciák elsajátítására tudnak lehetőséget kínálni a hallgatóknak, amit azok karrierjük első éveiben sikeresen értékesíteni tudnak a piacon. Az első kutatási kérdésem célja az adattárolási architektúra kiválasztását megalapozó szempontrendszer, majd segítségével a legmegfelelőbb architektúramodell kidolgozása volt. Implementáltam az adatokat legyűjtő scraper alkalmazást és elkezdtem az automatizált adatgyűjtést. 2019 januárjától közel négyszázezer hirdetést gyűjtöttem össze. Kidolgoztam az adatoknak egy lehetséges modelljét, továbbá a kiválasztási szempontok részletes vizsgálatával ajánlást tettem a megvalósításra javasolt adattárolási architektúrára. Kutatásom ezen szakasza feltáró jellegű. Az architektúraválasztási szempontrendszert szekunder kutatás, illetve szakirodalmi áttekintés segítségével dolgoztam ki. A munkaerőpiaci adattárház legfontosabb céljaként fogalmaztam meg, hogy a hirdetések kompetenciatartalmáról, annak időbeli- és térbeli alakulásáról hasznos információkat szolgáltasson a döntéshozók számára. Disszertációm második kutatási kérdéséhez kapcsolódóan bemutattam olyan módszereket, melyekkel hatékonyan kinyerhető ez az információ a hirdetések szövegéből. Bemutattam gyakori szövegbányászati – az egyes2 kifejezések előfordulási gyakoriságára alapuló – módszereket. Külső ontológiákban található kompetenciakifejezések és karakterláncok hasonlóságát számszerűsítő metrikák segítségével felépítettem egy logit modellt, melynek tesztadatokon mért felidézési aránya 85%, míg a precizitása 71,9%. Mivel a folyamatba való manuális beavatkozás kezdetben elkerülhetetlen, azaz mielőtt elfogadhatnánk ezeket a kompetenciajelölteket valós kompetenciaként, egy szakértőnek át kell néznie az eredményeket, így a modell elfogadható, mint ami hasznos információkkal tud szolgálni, és hozzáadott értékkel bír. A kutatás harmadik nagy blokkjában megvizsgáltam, hogy az álláshirdetésekben közvetlenül nem megjelenő, látens kompetenciák beazonosítása milyen módszerekkel lehetséges. Kidolgoztam egy reguláris kifejezésekre és egyszerű szabályokra alapuló módszert, melynek segítségével a 2019 októberi álláshirdetések 23,7%-át tudtam foglalkozáshoz kapcsolni, 97,5%- ban helyesen. Részletesen bemutattam egy döntési fára alapuló osztályozó modellt, melynek segítségével arra tettem kísérletet, hogy a hirdetéseket – címük alapján – a felhasznált ontológiákban leírt foglalkozásokhoz társítsam. A legjobbként elfogadott modell teszthalmazon mért precizitása 58%, míg felidézési aránya 68%, ami bár nem kiemelkedő, de felveszi a versenyt az irodalomban általam fellelt, hasonló feladatra megalkotott modellekkel (Amato et al. 2015). Saját t-SNE módszerrel végzett kísérletem alapján megerősítettem Csepregi (2020) eredményeit, miszerint az álláshirdetések klaszterei (témacsoportok) nem, vagy csak nagyon korlátozottan, kis hatásfokkal beazonosíthatóak azok leírásából készült tf-idf mátrix alapján. A 7. fejezet utolsó részében bemutattam egy harmadik lehetséges irányt a látens igények feltárására, az explicit megjelenő kompetenciák ontológiakapcsolatainak segítségével"]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Munkaerőpiaci adattárház tervezése kompetenciatrendek elemzésére"]}]}],"canonical_facts":{"dc:creator":["Neusch, Gábor Loránd"],"dc:date":["2021-06-28"],"dc:date.issued":["2021-06"],"dc:description.abstract":["A munkaerőpiaci kereslet rendkívüli ütemben változik. A kompetenciák és a tudás a kereslet szempontjából gyorsan avulnak, egyre újabb és újabb ismeretekre van szükség. A legfontosabb alapkészségek megalapozásán túl, melyeket a hallgatók hosszú távon használni tudnak, a rövid távú versenyképesség biztosítása érdekében az oktatási intézményeknek folyamatosan összhangban kellene tartania a tanterveket a munkaerőpiaci kereslettel, amit számos tényező befolyásol és előrejelzése egyáltalán nem triviális. Az érintettek, a tárgy- és szakfelelősök legnagyobb nehézsége ebből a szempontból az, hogy nem látják előre az igények változását. Ha objektív képet kaphatnának arról, hogy a kompetenciák iránti kereslet hogyan alakul a munkaerőpiacon, akkor következtetéseket tudnának levonni a jövőbeli trendekre vonatkozóan. A legfontosabb információ, amire egy ilyen előrejelzéshez szükség van, az a munkaerőpiaci kereslet reprezentációja az egyes pillanatokban, idősorosan rögzítve. Ezt tulajdonképpen „pillanatképek” összességének is felfoghatjuk az egyes időpillanatokban igényelt kompetenciahalmazokról. Disszertációmban erre, a kompetenciakereslet és a felsőoktatási kínálat rövid távú összehangolására igyekszem fókuszálni egy olyan keretrendszer felvázolásával, melynek segítségével a munkaerőpiaci trendek és a keresletet leíró adatok valós időben elemezhetőek. Egy munkaerőpiaci „adattárház” koncepciójának kidolgozására teszek kísérletet, melyben a keresletre vonatkozó, álláshirdetésekben megjelenő információk összegyűjthetőek. Megvizsgálok olyan módszereket, melyek segítségével az állásajánlatokban explicit és implicit módon megjelenő, kompetenciakeresletet tükröző információk kinyerhetőek. Egy ilyen jellegű információforrás segítségével a felsőoktatás döntéshozói folyamatosan hozzá tudnák igazítani a kurzusok tematikáját a munkaerőpiaci kereslethez, és olyan kompetenciák elsajátítására tudnak lehetőséget kínálni a hallgatóknak, amit azok karrierjük első éveiben sikeresen értékesíteni tudnak a piacon. Az első kutatási kérdésem célja az adattárolási architektúra kiválasztását megalapozó szempontrendszer, majd segítségével a legmegfelelőbb architektúramodell kidolgozása volt. Implementáltam az adatokat legyűjtő scraper alkalmazást és elkezdtem az automatizált adatgyűjtést. 2019 januárjától közel négyszázezer hirdetést gyűjtöttem össze. Kidolgoztam az adatoknak egy lehetséges modelljét, továbbá a kiválasztási szempontok részletes vizsgálatával ajánlást tettem a megvalósításra javasolt adattárolási architektúrára. Kutatásom ezen szakasza feltáró jellegű. Az architektúraválasztási szempontrendszert szekunder kutatás, illetve szakirodalmi áttekintés segítségével dolgoztam ki. A munkaerőpiaci adattárház legfontosabb céljaként fogalmaztam meg, hogy a hirdetések kompetenciatartalmáról, annak időbeli- és térbeli alakulásáról hasznos információkat szolgáltasson a döntéshozók számára. Disszertációm második kutatási kérdéséhez kapcsolódóan bemutattam olyan módszereket, melyekkel hatékonyan kinyerhető ez az információ a hirdetések szövegéből. Bemutattam gyakori szövegbányászati – az egyes2 kifejezések előfordulási gyakoriságára alapuló – módszereket. Külső ontológiákban található kompetenciakifejezések és karakterláncok hasonlóságát számszerűsítő metrikák segítségével felépítettem egy logit modellt, melynek tesztadatokon mért felidézési aránya 85%, míg a precizitása 71,9%. Mivel a folyamatba való manuális beavatkozás kezdetben elkerülhetetlen, azaz mielőtt elfogadhatnánk ezeket a kompetenciajelölteket valós kompetenciaként, egy szakértőnek át kell néznie az eredményeket, így a modell elfogadható, mint ami hasznos információkkal tud szolgálni, és hozzáadott értékkel bír. A kutatás harmadik nagy blokkjában megvizsgáltam, hogy az álláshirdetésekben közvetlenül nem megjelenő, látens kompetenciák beazonosítása milyen módszerekkel lehetséges. Kidolgoztam egy reguláris kifejezésekre és egyszerű szabályokra alapuló módszert, melynek segítségével a 2019 októberi álláshirdetések 23,7%-át tudtam foglalkozáshoz kapcsolni, 97,5%- ban helyesen. Részletesen bemutattam egy döntési fára alapuló osztályozó modellt, melynek segítségével arra tettem kísérletet, hogy a hirdetéseket – címük alapján – a felhasznált ontológiákban leírt foglalkozásokhoz társítsam. A legjobbként elfogadott modell teszthalmazon mért precizitása 58%, míg felidézési aránya 68%, ami bár nem kiemelkedő, de felveszi a versenyt az irodalomban általam fellelt, hasonló feladatra megalkotott modellekkel (Amato et al. 2015). Saját t-SNE módszerrel végzett kísérletem alapján megerősítettem Csepregi (2020) eredményeit, miszerint az álláshirdetések klaszterei (témacsoportok) nem, vagy csak nagyon korlátozottan, kis hatásfokkal beazonosíthatóak azok leírásából készült tf-idf mátrix alapján. A 7. fejezet utolsó részében bemutattam egy harmadik lehetséges irányt a látens igények feltárására, az explicit megjelenő kompetenciák ontológiakapcsolatainak segítségével"],"dc:format":["application/pdf"],"dc:identifier.uri":["https://phd.lib.uni-corvinus.hu/1130/1/Neusch_Gabor_Lorand_dhu.pdf","https://phd.lib.uni-corvinus.hu/1130/2/Neusch_Gabor_Lorand_ten.pdf","https://phd.lib.uni-corvinus.hu/1130/5/Neusch_Gabor_Lorand_thu.pdf"],"dc:language":["hu","en"],"dc:publisher.department":["Gazdaságinformatika Doktori Iskola"],"dc:publisher.institution":["Budapesti Corvinus Egyetem"],"dc:relation.isreferencedby":["https://phd.lib.uni-corvinus.hu/1130/"],"dc:subject":["Oktatás","Munkaügy"],"dc:title":["Munkaerőpiaci adattárház tervezése kompetenciatrendek elemzésére"],"dc:type":["Disszertáció"],"dc:type.qualificationlevel":["doctoral"],"dc:type.qualificationname":["phd"]},"updated_at":"2026-07-24T01:49:39Z"}