ArabJobs: A Multinational Corpus of Arabic Job Ads

📄 arXiv: 2509.22589v1 📥 PDF

作者: Mo El-Haj

分类: cs.CL

发布日期: 2025-09-26

🔗 代码/项目: GITHUB

💡 一句话要点

ArabJobs：一个多国阿拉伯语招聘广告语料库，用于公平的阿拉伯语NLP和劳动力市场研究。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 阿拉伯语NLP 招聘广告语料库 劳动力市场分析 性别偏见检测 职业分类 多语言处理 自然语言处理

📋 核心要点

  1. 现有阿拉伯语NLP研究缺乏大规模、多地域的招聘信息数据集，限制了对阿拉伯劳动力市场深入分析和公平性研究。
  2. 构建包含埃及、约旦、沙特阿拉伯和阿联酋等多国招聘信息的ArabJobs语料库，捕捉语言、区域和社会经济差异。
  3. 通过实验验证了ArabJobs在薪资估计、职位类别规范化、性别偏见检测和职业分类等任务中的有效性，并建立了基准。

📝 摘要（中文）

ArabJobs是一个公开可用的阿拉伯语招聘广告语料库，数据来源于埃及、约旦、沙特阿拉伯和阿拉伯联合酋长国。该数据集包含超过8500个招聘信息和55万个单词，捕捉了阿拉伯劳动力市场的语言、区域和社会经济变化。我们分析了性别代表性和职业结构，并强调了广告中的方言差异，这为未来的研究提供了机会。我们还展示了使用大型语言模型进行薪资估计和职位类别规范化等应用，以及性别偏见检测和职业分类的基准任务。研究结果表明了ArabJobs在公平的阿拉伯语NLP和劳动力市场研究中的效用。该数据集可在GitHub上公开获取：https://github.com/drelhaj/ArabJobs。

🔬 方法详解

问题定义：论文旨在解决阿拉伯语自然语言处理领域缺乏大规模、多地域招聘广告语料库的问题。现有方法难以捕捉阿拉伯语方言差异和社会经济背景，限制了在劳动力市场分析、公平性评估等方面的应用。

核心思路：论文的核心思路是构建一个包含来自不同阿拉伯国家招聘信息的语料库，从而覆盖更广泛的语言变体和社会经济背景。通过分析该语料库，可以更好地理解阿拉伯劳动力市场的特点，并开发更公平、更有效的NLP模型。

技术框架：该研究主要涉及数据集的构建和分析，以及基于该数据集的NLP应用实验。具体流程包括：1) 从埃及、约旦、沙特阿拉伯和阿联酋等国家收集阿拉伯语招聘广告；2) 对收集到的数据进行清洗和标注；3) 分析语料库的性别代表性和职业结构；4) 使用大型语言模型进行薪资估计和职位类别规范化；5) 建立性别偏见检测和职业分类的基准任务。

关键创新：该论文的主要创新在于构建了一个多国阿拉伯语招聘广告语料库ArabJobs，该语料库是公开可用的，并且包含了丰富的语言、区域和社会经济信息。这为阿拉伯语NLP研究提供了一个新的资源，并促进了在劳动力市场分析和公平性评估等方面的研究。

关键设计：论文没有详细描述具体的模型结构或参数设置，而是侧重于数据集的构建和分析。在应用实验中，使用了大型语言模型，但没有提供关于模型选择和训练的详细信息。数据集的标注方案和清洗方法也未详细说明，这些是未来研究可以进一步探索的方向。

📊 实验亮点

论文通过实验验证了ArabJobs语料库在薪资估计、职位类别规范化、性别偏见检测和职业分类等任务中的有效性。虽然没有提供具体的性能数据和提升幅度，但实验结果表明，该语料库可以作为阿拉伯语NLP研究的基准数据集，并促进相关应用的发展。

🎯 应用场景

ArabJobs语料库可应用于多个领域，包括：劳动力市场分析，例如研究不同地区和行业的薪资水平和职业需求；招聘信息自动分类和推荐，提高招聘效率；性别偏见检测，促进公平就业；以及开发更准确的阿拉伯语NLP模型。该语料库的公开可用性将促进阿拉伯语NLP领域的研究和发展。

📄 摘要（原文）

ArabJobs is a publicly available corpus of Arabic job advertisements collected from Egypt, Jordan, Saudi Arabia, and the United Arab Emirates. Comprising over 8,500 postings and more than 550,000 words, the dataset captures linguistic, regional, and socio-economic variation in the Arab labour market. We present analyses of gender representation and occupational structure, and highlight dialectal variation across ads, which offers opportunities for future research. We also demonstrate applications such as salary estimation and job category normalisation using large language models, alongside benchmark tasks for gender bias detection and profession classification. The findings show the utility of ArabJobs for fairness-aware Arabic NLP and labour market research. The dataset is publicly available on GitHub: https://github.com/drelhaj/ArabJobs.