| Tesis Doctorales de la Universidad de Alcalá |
| CONTRIBUCIONES AL USO DE MODELOS DE LENGUAJE PARA TAREAS CENTRADAS EN BASES DE DATOS OCUPACIONALES | | Autor/a | González García, Lino | | Departamento | Ciencias de la Computación | | Director/a | Sicilia Urbán, Miguel Ángel | | Codirector/a | García Barriocanal, María Elena | | Fecha de defensa | 13-07-2026 | | Calificación | Sobresaliente cum laude | | Programa | Comunicación, Información y Tecnología de la Sociedad en Red (RD 99/2011) | | Mención internacional | No | | Resumen | Las bases de datos ocupacionales son recursos que describen ocupaciones, competencias y relaciones laborales mediante vocabularios controlados y estructuras jerárquicas. Automatizar tareas de recursos humanos como la codificación ocupacional, el emparejamiento oferta-candidato o la orientación profesional exige combinar el lenguaje natural de los documentos laborales con el vocabulario normalizado de estas taxonomías. Esta tesis propone y evalúa esa combinación desde la premisa de que las bases de datos ocupacionales constituyen corpora de texto curado con estructura, y que un análisis riguroso de esa estructura permite aprovechar el potencial de los modelos de lenguaje sin necesidad de construir nuevos recursos de etiquetado ad hoc.
Se persiguen tres objetivos específicos. El primero (O1) caracteriza las dos bases de datos ocupacionales más relevantes a escala internacional —ESCO y O*NET— como recursos textuales y como grafos. El segundo (O2) evalúa la recuperación de ocupaciones relacionadas mediante similitud semántica sobre representaciones vectoriales construidas a partir de los campos textuales de O*NET. El tercero (O3) evalúa el ajuste fino de modelos de lenguaje sobre un corpus de gran escala de ofertas de empleo etiquetadas con la taxonomía ocupacional de O*NET.
Respecto a O1, el análisis muestra que ESCO y O*NET son complementarios como recursos textuales: ESCO proporciona un corpus de mayor volumen estructurado en torno a un amplio catálogo de entidades de competencia con jerarquía y relaciones explícitas entre entidades, mientras que O*NET ofrece descripciones de tareas en lenguaje natural y un conjunto de relaciones ocupacionales interconectadas. Esta caracterización fundamenta la selección informada de cada recurso para los estudios posteriores.
Respecto a O2, la recuperación vectorial basada en representaciones textuales combinadas —descripción, tareas y títulos alternativos— alcanza una precisión de 0,92 para los dos primeros candidatos recuperados (prec@2 = 0,92, recall@2 = 0,55) en la mejor configuración. El hallazgo más relevante es que la mayoría de los pares de alta similitud semántica no recogidos en las relaciones curadas cruzan las grandes categorías de la jerarquía SOC, lo que indica que la recuperación textual identifica relaciones transversales que la clasificación jerárquica no captura.
Respecto a O3, el ajuste fino de modelos de lenguaje de tipo codificador sobre un corpus de 692.600 ofertas de empleo alcanza un macro F1 de 0,767 con DeBERTa en la clasificación en 22 familias ocupacionales. Las tres arquitecturas evaluadas (BERT, RoBERTa y DeBERTa) muestran un rendimiento comparable sin diferencias estadísticamente significativas, lo que indica que el cuello de botella es la ambigüedad intrínseca de ciertas familias ocupacionales y no la capacidad del modelo base. Una evaluación de referencia mediante clasificación zero-shot con grandes modelos de lenguaje generativos confirma que el ajuste fino supervisado aporta una ventaja sustancial frente al conocimiento preentrenado.
De forma integrada, los tres estudios muestran que las bases de datos ocupacionales contienen suficiente información textual y estructural para sustentar, directamente y sin etiquetado adicional específico de tarea, sistemas de recuperación y clasificación basados en modelos de lenguaje con rendimiento útil en aplicaciones reales. |
|
