TaskNet：从大规模工人访谈构建职业任务清单

理解人工智能（AI）如何重塑工作，需要对劳动者所执行的任务进行准确描述。随着新的职责和工具往往先于这些变化进入正式描述而在日常工作中出现，劳动者通常是首先发现其工作正在发生变化的人。

对劳动者进行访谈有助于捕捉工作任务中这些新出现的变化。然而，现有的方法仅支持跨劳动者的标准化评分，而与劳动者进行开放式对话在规模化收集和综合方面的成本依然很高。我们推出了斯坦福任务网络（Stanford Task Network, TaskNet），这是一个直接立足于劳动者日常工作叙述的职业分类体系。

为了构建 TaskNet，我们开发了一个混合主动系统（mixed-initiative system），直接从劳动者那里归纳出任务清单。该系统开展访谈，将报告标准化为个人任务列表，并将这些列表聚合为职业任务清单。

应用于涵盖不同教育要求和 AI 暴露度（AI exposure）的六个职业时，我们的系统采访了 132 名劳动者，从 2726 份报告中生成了 202 个任务陈述，所有这些陈述均被 O*NET 中心（O*NET Center）分析师所接受，相比之下，在当前 O*NET 数据收集流程（作为新兴任务的主要替代来源）中收集的劳动者手写任务建议中，这一比例约为 65%。

每个陈述都经过 318 名在职人员的验证，获得了 7923 次相关性和重要性评分。相对于抽样职业的 O*NET 31.0 数据库中的任务数据，TaskNet 覆盖了 75% 已发布的 118 个 O*NET 任务，并增加了 79 个没有 O*NET 对应项的任务以及 58 个对现有陈述进行细化的任务。

它覆盖了保留样本劳动者（held-out workers）报告的任务的 89%，而 O*NET 为 79%，并且覆盖了雇主招聘启事中描述的更大比例的活动（72.5% 对 70.2%）。

在下游应用中，TaskNet 双向改变了 AI 暴露度估计值，提高了软件开发者（Software Developers）和律师（Lawyers）这两个 AI 影响备受争议的职业的估计值。

由于此类估计值指导着劳动力政策和培训，更完整、更及时的任务清单有助于将这些努力引导至最有可能受影响的劳动者。随着 AI 重塑工作，TaskNet 为保持职业信息的时效性并立足于劳动者的经验提供了一个基础。