Jobs的人工智能暴露应基于证据，而非模型先验
信息检索
2026-05-18 v1
摘要
本立场论文主张，职位对人工智能的暴露应通过以证据为基础的方法进行测量，而非仅从LLM先验中推断。当前的理论暴露措施使用零样本提示对任务级别的人工智能暴露进行分类，生成的标签没有明确的证据、没有透明的推理链，也没有外部验证。这些测量的重大性不应仅仅依赖于此类方法，因为它们影响政策制定，进而决定公共和私人资金的分配方式，以及工人的未来前景。因此，我们主张人工智能能力声称必须满足三个标准：可复现性、外部 grounding 和可检验性。我们提出了一个检索增强框架，为O*NET 30.2中全部18,796个职位-任务对分配人工智能暴露标签，利用开放权重的推理和指令模型，结合检索到的新闻文章和学术论文摘要作为当前人工智能能力的证据。相对于零样本基线，在超过72%的不同步案例中，无论是自动评估还是人类评估，都更倾向于基于证据的方法，并产生的分数更贴近观察到的实际人工智能使用情况。综上所述，这些发现表明，基于证据的测量方法更好地捕捉当前人工智能系统在实际中可实现的能力，而非仅凭模型自身的断言。由于人工智能能力持续变化，用于为政策提供指导的测量必须随之演变：理论人工智能暴露分数应定期复审，而非被继承为不可变的真理。
引用
@article{arxiv.2605.15474,
title = {Jobs' AI Exposure Should Be Measured from Evidence, Not Model Priors},
author = {Luca Mouchel and Pierre Bouquet and Yossi Sheffi},
journal= {arXiv preprint arXiv:2605.15474},
year = {2026}
}