[論文レビュー] AI exposure predicts unemployment risk

Morgan R. Frank, Yong‐Yeol Ahn+1 more|arXiv (Cornell University)|Aug 4, 2023

Digital Economy and Work Transformation被引用数 4

ひとこと要約

本研究では、2010年から2020年までの高分解能の州レベルの失業保険データを用いて、AI露出スコアの複数の指標を用いて、失業リスク、職業離職、職業内スキル変化を予測する。個々のAI露出モデルでは予測力が認められないが、これらのモデルを統合したアンサンブルモデルは、失業リスクを顕著に予測することができ、職業や地域に応じた動的で文脈に配慮した、かつ検証されたAI露出評価手法の必要性を示している。

ABSTRACT

Is artificial intelligence (AI) disrupting jobs and creating unemployment? Despite many attempts to quantify occupations' exposure to AI, inconsistent validation obfuscates the relative benefits of each approach. A lack of disaggregated labor outcome data, including unemployment data, further exacerbates the issue. Here, we assess which models of AI exposure predict job separations and unemployment risk using new occupation-level unemployment data by occupation from each US state's unemployment insurance office spanning 2010 through 2020. Although these AI exposure scores have been used by governments and industry, we find that individual AI exposure models are not predictive of unemployment rates, unemployment risk, or job separation rates. However, an ensemble of those models exhibits substantial predictive power suggesting that competing models may capture different aspects of AI exposure that collectively account for AI's variable impact across occupations, regions, and time. Our results also call for dynamic, context-aware, and validated methods for assessing AI exposure. Interactive visualizations for this study are available at https://sites.pitt.edu/~mrfrank/uiRiskDemo/.

研究の動機と目的

• 既存のAI露出スコアが職業レベルで失業リスク、離職、スキル変化を予測できるかどうかを評価すること。
• 従来の研究が集計的雇用データや賃金データに依存する限界を克服するため、2010年から2020年までの高分解能の州レベルの失業保険データを用いること。
• Acemoglu & Autor、Frey & Osborne、Arntz et al.、Brynjolfsson et al.、Felten et al.、Webbらの研究から得た複数のAI露出モデルの予測妥当性を、さまざまな労働市場成果指標に対して評価すること。
• AI露出スコアの適用性に地理的・職業的差異が生じるかどうかを特定し、単一スコア評価の不適切さに疑問を呈すること。
• 労働市場政策や研究におけるAI露出の測定に、動的で文脈に配慮し、実証的に検証された手法の導入を提唱すること。

提案手法

• 米国各州の失業保険機関が保有する、月次で集計された、最新の職業分類別に分類された失業者数の高分解能データセットを構築した（2010–2020年）。
• コンピュータ使用率、ルーティンタスク露出度、自動化可能性、機械学習適合性、AI／ソフトウェア露出割合といった、既存研究から得た複数のAI露出スコアを収集・標準化した。
• 年次固定効果および主要なSOC職業分類の固定効果を含む複数の重回帰モデルを適用し、各AI露出スコアの失業リスク、離職、職業内スキル変化に対する予測力の隔離を試みた。
• 異なる単位やスケールを持つAI露出指標間の比較可能性を確保するため、標準化・中心化された変数を用いた。
• 各係数の有意水準とともに、R²および調整済みR²を用いてモデルの性能を評価した。
• 個々のAI露出スコアを統合して、集団的な予測力の有効性を評価するアンサンブルモデリングを実施した。

Figure 1: Technological exposure scores are not consistent with each other and cannot individually predict unemployment risk well. (A) The Pearson correlation of pairs of AI exposure scores across occupations. Scores are ordered according to the study’s Wave (see Table 1 ). (B) The variation in unem

実験結果

リサーチクエスチョン

• RQ1 個々のAI露出スコアは、職業レベルで失業リスクの上昇を予測できるか？
• RQ2 AI露出スコアは、離職率や職業内スキル変化を予測できるか？
• RQ3 複数のAI露出スコアをアンサンブルモデルで統合することで、失業リスクの予測精度が向上するか？
• RQ4 AI露出モデルの予測力は、米国の異なる州や職業でどのように変動するか？
• RQ5 雇用データや賃金データだけでは、AIによる職業離職や失業といった他の労働市場の混乱がどのように隠蔽されているか？

主な発見

• Acemoglu & Autor、Frey & Osborne、Arntz et al.、Brynjolfsson et al.、Felten et al.、Webbらの個々のAI露出モデルは、個別に用いた場合、失業リスク、離職、スキル変化のいずれに対しても有意な予測力が認められなかった。
• すべてのAI露出スコアを統合したアンサンブルモデルは、失業リスクを顕著に予測した。最終モデルの調整済みR²は0.304であり、強い集団的説明力があることを示している。
• 地域固定効果、時間的トレンド、職業のスキル要件を制御した後でも、アンサンブルモデルの予測力は維持された。これは、複数のモデルがAI露出の補完的側面を捉えていることを示唆している。
• モデルの適用性に顕著な地理的非均質性が認められ、米国の異なる州で異なるAI露出スコアがより関連性を持つことが判明した。これにより、一様なアプローチでは不十分であることが示された。
• 本研究では、雇用および賃金データだけでは、失業保険データがより適切に捉えるべき重要な労働市場の混乱、例えば離職や失業が見過ごされがちなことが判明した。
• 2010年から2017年までのO*NETデータを用いた職業内スキル変化の測定では顕著な変動が認められ、いくつかのAI露出スコア（例：Brynjolfsson et al.の機械学習適合性、Felten et al.のAI露出）はスキル変化と有意に関連していた。それぞれの係数は0.330***および-0.269***であった。

Figure 2: Combining AI exposure scores from all studies substantially improves predictions of unemployment risk. (A) A schematic for the theoretical influence among education, skills, technology, and unemployment risk. (B) Combined into a single linear model, AI exposure scores capture 29.1% of the