Knowledge Graph für arbeitsmarktrelevante Analysen: Use Cases, Qualitätsmaßstäbe und Validierung

Im Projekt soll der praktische Nutzen von Knowledge Graphs für arbeitsmarktrelevante Analysen geprüft werden. Dazu sollen verständliche Qualitätsmaßstäbe und überprüfbare Kriterien festgelegt und passende Verfahren zur Messung und Bewertung ausgewählt werden. Dabei wird ein Graphmodell entwickelt, das bestehende Arbeitsmarkt-Klassifikationen mit Informationen aus der Praxis verbindet. Konzeption, Umsetzung, Pflege und Evaluation greifen ineinander und sorgen dafür, dass Modell, Daten und Ergebnisse konsistent, nachvollziehbar und praxisrelevant bleiben.

• Welche zentralen arbeitsmarktrelevanten Entitäten und Relationen (z. B. Berufe, Branchen, Skills, Technologien) eignen sich für ein konsistentes Knowledge-Graph-Modell?
• Wie lassen sich strukturierte arbeitsmarktbezogene Taxonomien wie ESCO und NACE mit empirischen Daten aus Arbeitsmarktdokumenten verbinden, um ein tragfähiges Graphschema zu entwickeln?
• Welche Methoden der automatisierten Wissensextraktion eignen sich zur Erkennung und Modellierung neuer oder veränderter beruflicher Anforderungen in arbeitsmarktrelevanten Textquellen?
• Wie können Konflikte und Inkonsistenzen zwischen normativen Taxonomien und realen Arbeitsmarktdaten identifiziert und systematisch gelöst werden?
• Wie können Konflikte und Inkonsistenzen zwischen normativen Taxonomien und realen Arbeitsmarktdaten identifiziert und systematisch gelöst werden?
• Welche Qualitätskriterien eignen sich zur Bewertung des entwickelten Knowledge Graph in Bezug auf Kohärenz, Abdeckung und Nutzen für arbeitsmarktorientierte Fragestellungen?

• Mixed-Method-Ansatz
  Kombination qualitativer und quantitativer Verfahren zur systematischen Modellierung, Erweiterung und Bewertung des Knowledge Graph.
• Systematische Literaturrecherche
  Erfassung und Auswertung des Forschungsstands zu Knowledge-Graph-Konstruktion, arbeitsmarktrelevanten Taxonomien und graphbasierten Analyseverfahren als theoretische Grundlage.
• Dokumentenanalyse arbeitsmarktrelevanter Texte
  Qualitative Analyse von Stellenanzeigen, Berufsprofilen oder Arbeitsmarktberichten zur Identifikation relevanter Entitäten und Relationen.
• LLM-basierte Wissensextraktion
  Automatische Erkennung und Strukturierung arbeitsmarktrelevanter Informationen mittels Large Language Models als Ergänzung zu normativen Taxonomien.
• Modellierung eines Domain-Knowledge-Graph
  Entwicklung eines konsistenten Graphschemas auf Basis theoretischer Modelle und empirischer Erkenntnisse.
• Datenfusion und Alignment mit Taxonomien
  Abgleich, Harmonisierung und Zusammenführung von ESCO, NACE und extrahierten Daten zur Sicherstellung semantischer Konsistenz.
• Graphanalyseverfahren
  Anwendung graphbasierter Methoden wie Community Detection oder Pfadanalysen zur Untersuchung struktureller Muster und Kompetenzzusammenhänge.
• GraphRAG
  Erprobung graphbasierter Retrievalmethoden zur Beantwortung komplexer Analysefragen und zur Evaluierung des Mehrwerts des Knowledge Graph.
• Validierung mittels Fallstudien
  Prüfung der praktischen Nützlichkeit und Kohärenz des Knowledge Graph anhand ausgewählter Berufs- oder Kompetenzprofile.

Ansprechpartner

Prof. Dr. Marc Rüger

Laufzeit

Bei drei Semestern Studium: März 2026 - September 2027

Fördergeber

Kooperationspartner Fraunhofer IRB