DOI: https://doi.org/10.47738/ijiis.v9i2.296
تاريخ النشر: 2026-03-01
المؤلف: Slamet Widodo
الموضوع الرئيسي: تقنيات التنبؤ وتطبيقاتها
نظرة عامة
تدرس هذه الدراسة فعالية نموذجين من نماذج التنبؤ بالسلاسل الزمنية، SARIMA و Prophet، في التنبؤ بالاتجاهات في سوق العمل في مجال الذكاء الاصطناعي، مع التأكيد على أهمية التنبؤ الدقيق للتخطيط للقوى العاملة وصنع السياسات. كانت التقييمات تستند إلى خطأ الجذر التربيعي المتوسط (RMSE) والتحقق المتقاطع للسلاسل الزمنية (TSCV). تكشف النتائج أن نموذج SARIMA تفوق بشكل كبير على Prophet، خاصة في التقاط الأنماط الموسمية، محققًا RMSE قدره 83.42 مقارنة بـ 136.01 لـ Prophet. يُعزى الأداء المتفوق لـ SARIMA إلى ضبط معاييره وقدرته على التعامل مع الموسمية، بينما يُلاحظ أن مرونة Prophet مفيدة في سيناريوهات البيانات غير الخطية.
في الختام، توصي الدراسة باستخدام نموذج SARIMA، وبالتحديد التكوين (0,2,2)(1,1,1)، للقطاعات ذات الاتجاهات الموسمية المميزة، مثل التكنولوجيا والحقول المتعلقة بالذكاء الاصطناعي، نظرًا لصلابته المثبتة وRMSE المنخفض. بالمقابل، يُقترح أن يكون Prophet بديلاً قابلاً للتطبيق للصناعات التي تتميز بالتقلب والاتجاهات غير الخطية. يُنصح بدمج TSCV لتعزيز صلابة النموذج، وقد يؤدي تضمين المتغيرات الخارجية، مثل العوامل الاقتصادية أو السياسية، إلى تحسين دقة التنبؤ بشكل أكبر. بشكل عام، تؤكد الأبحاث على الدور الحاسم للتنبؤ بالسلاسل الزمنية في التنقل عبر المشهد المتطور للذكاء الاصطناعي في سوق العمل، مما يمكّن أصحاب المصلحة من اتخاذ قرارات مستنيرة بشأن استراتيجيات القوى العاملة ودمج الذكاء الاصطناعي.
مقدمة
تناقش مقدمة هذه الورقة البحثية التأثيرات التحويلية للذكاء الاصطناعي (AI) على سوق العمل، مع التأكيد على دوره المزدوج في أتمتة المهام المتكررة وخلق فرص عمل جديدة في القطاعات التكنولوجية. مع زيادة دمج الذكاء الاصطناعي، يصبح فهم تأثيره على اتجاهات التوظيف أمرًا حيويًا لصانعي السياسات وقادة الأعمال والعمال. تسلط الورقة الضوء على ضرورة التنبؤ الدقيق باتجاهات سوق العمل المتأثرة بالذكاء الاصطناعي، خاصة مع عدم استعداد أنظمة التعليم التقليدية بشكل كافٍ لإعداد القوى العاملة للأدوار الناشئة، مما يبرز أهمية مبادرات إعادة التدريب وتطوير المهارات.
تهدف الدراسة إلى معالجة تعقيدات التنبؤ بفرص العمل المتعلقة بالذكاء الاصطناعي من خلال مقارنة نموذجين شائعين من السلاسل الزمنية: المتوسط المتحرك التكاملي الذاتي الموسمي (SARIMA) و Facebook Prophet. بينما غالبًا ما تكافح طرق التنبؤ التقليدية لأخذ عوامل مثل الموسمية، والقيم الشاذة، وعدم الاستقرار في الاعتبار، تسعى هذه الأبحاث إلى تقييم أي نموذج يتنبأ بشكل أكثر فعالية بفرص العمل في سياق تأثير الذكاء الاصطناعي المتطور على سوق العمل.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث. يتفصل التصميم التجريبي، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، والأساليب التحليلية المستخدمة لتقييم النتائج. استخدمت الدراسة إطارًا كميًا، مع دمج أدوات إحصائية لضمان موثوقية وصدق النتائج.
تم جمع البيانات من خلال استبيانات منظمة وتجارب محكومة، مما سمح بتحليل شامل للمتغيرات المعنية. شملت الأساليب التحليلية تحليل الانحدار واختبار الفرضيات، مما سهل تحديد العلاقات المهمة بين المتغيرات. بشكل عام، تم تصميم المنهجية لاختبار فرضيات البحث بدقة والمساهمة في الجسم المعرفي القائم في هذا المجال.
النتائج
تم تقييم نتائج التحقق المتقاطع باستخدام نموذج SARIMA من خلال نهج التحقق المتقاطع للسلاسل الزمنية (TSCV)، باستخدام طريقة أصل التنبؤ المتداول. تحاكي هذه الطريقة التنبؤ في العالم الحقيقي من خلال تدريب النموذج على مجموعة بيانات متزايدة واختباره على النقاط اللاحقة. تم حساب متوسط خطأ الجذر التربيعي المتوسط (RMSE) عبر 14 طية ليكون 19.677، مع انحراف معياري قدره 32.273، مما يشير إلى تباين في الأداء عبر آفاق التنبؤ المختلفة. من الجدير بالذكر أن متوسط RMSE كان أفضل باستمرار من ذلك الذي تم الحصول عليه من تقييم تقسيم واحد.
توضح الشكل 9 قيم RMSE لكل طية، مع تمثيل المتوسط بواسطة خط أحمر متقطع وخطوط خضراء منقطة تشير إلى انحراف معياري واحد فوق وتحت المتوسط. ظل RMSE مستقرًا خلال الـ 12 طية الأولى، ولكن لوحظ ارتفاع كبير في الطية 14، مما يشير إلى وجود قيمة شاذة في القيم المتنبأ بها. بشكل عام، تشير النتائج إلى أنه على الرغم من بعض التقلبات، يظهر نموذج SARIMA صلابة وموثوقية في التنبؤ بفرص العمل في مجال الذكاء الاصطناعي مع مرور الوقت، حيث يوفر عملية التحقق المتقاطع تقييمًا أكثر شمولاً لأدائه عبر سيناريوهات التنبؤ المختلفة.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على التأثير المزدوج للذكاء الاصطناعي (AI) على سوق العمل، مع التأكيد على كل من إزاحة الوظائف وخلقها. لقد أزاحت تقنيات الذكاء الاصطناعي بشكل ملحوظ الوظائف ذات المهارات المنخفضة في قطاعات مثل التصنيع والتمويل بسبب قدراتها على الأتمتة، وهي ظاهرة تُسمى “أثر الاستبدال”. ومع ذلك، يتم تعويض هذه الإزاحة من خلال ظهور أدوار جديدة في المجالات التقنية مثل هندسة الذكاء الاصطناعي وتحليل البيانات، والتي تتطلب مهارات متقدمة. تؤكد النتائج على ضرورة أن يقوم صانعو السياسات بتنفيذ استراتيجيات تعالج انتقالات القوى العاملة، مما يضمن أن العمال مجهزون بالمهارات اللازمة لهذه الفرص الجديدة مع التخفيف من المخاطر المرتبطة بفقدان الوظائف في القطاعات المعتمدة على المهام الروتينية.
تناقش هذه القسم أيضًا أداء نموذجين من نماذج التنبؤ – SARIMA و Prophet – المستخدمة لتحليل اتجاهات سوق العمل في مجال الذكاء الاصطناعي. أظهر نموذج SARIMA، الذي يتضمن مكونات موسمية، دقة تنبؤية متفوقة مقارنة بـ Prophet، خاصة عندما تم ضبط معاييره بعناية. أشارت النتائج إلى أن قدرة SARIMA على التعامل مع الموسمية وتحسين معاييره بشكل قوي ساهمت في فعاليته في التنبؤ بفرص العمل في مجال الذكاء الاصطناعي. بالمقابل، بينما يتمتع Prophet بمهارة في إدارة الاتجاهات غير الخطية والاختلالات، إلا أنه لم يتفوق على SARIMA في هذه المجموعة المحددة من البيانات. يبرز هذا المقارنة أهمية اختيار نماذج التنبؤ المناسبة بناءً على خصائص البيانات والأهداف المحددة للتنبؤ.
القيود
تعتبر قيود نموذج SARIMA، على الرغم من إظهار أداء قوي في التنبؤ، مهمة وتستحق الانتباه. بشكل أساسي، تعتمد فعالية النموذج على توفر البيانات التاريخية، حيث ترتبط دقته التنبؤية ارتباطًا وثيقًا بالأنماط السابقة. علاوة على ذلك، قد يواجه SARIMA صعوبات مع البيانات غير الخطية أو غير المنتظمة بشكل كبير، والتي، على الرغم من عدم كونها مركزية في هذه الدراسة، قد تمثل تحديات في تطبيقات أخرى. إن فشل نموذج SARIMAX، الذي يتضمن متغيرات خارجية، في تعزيز دقة التنبؤ يبرز ضرورة الاختيار الحكيم للعوامل الخارجية التي تؤثر مباشرة على اتجاهات وظائف الذكاء الاصطناعي.
يجب أن تركز الأبحاث المستقبلية على دمج المزيد من المتغيرات الخارجية ذات الصلة، مثل المؤشرات الاقتصادية أو الاتجاهات التكنولوجية، لتعزيز الرؤى حول سوق العمل في مجال الذكاء الاصطناعي وربما تحسين دقة التنبؤ، خاصة في القطاعات المتأثرة بالتغيرات الاقتصادية أو السياسية الخارجية. بالإضافة إلى ذلك، قد تؤدي استكشاف أساليب التعلم الآلي، وخاصة الشبكات العصبية طويلة وقصيرة الأجل (LSTM)، إلى تحسين قدرات التنبؤ لسوق العمل في مجال الذكاء الاصطناعي، خاصة في الظروف المتقلبة. قد يوفر توسيع نطاق مقاييس التقييم، مثل خطأ القيمة المطلقة المتوسطة (MAE) وخطأ النسبة المئوية المطلقة المتوسطة (MAPE)، أيضًا تقييمًا أكثر دقة لأداء النموذج عبر سياقات مختلفة. يمكن أن يؤدي معالجة هذه القيود وتوسيع نطاق النماذج المختبرة إلى تحسين كبير في التنبؤ بسوق العمل في مجال الذكاء الاصطناعي، مما يوفر أدوات أكثر موثوقية لأصحاب المصلحة في السياسة والأعمال وتخطيط القوى العاملة.
DOI: https://doi.org/10.47738/ijiis.v9i2.296
Publication Date: 2026-03-01
Author(s): Slamet Widodo
Primary Topic: Forecasting Techniques and Applications
Overview
This study investigates the effectiveness of two time series forecasting models, SARIMA and Prophet, in predicting trends in the AI job market, emphasizing the importance of accurate forecasting for workforce planning and policy-making. The evaluation was based on Root Mean Square Error (RMSE) and Time Series Cross-Validation (TSCV). The findings reveal that the SARIMA model significantly outperformed Prophet, particularly in capturing seasonal patterns, achieving an RMSE of 83.42 compared to Prophet’s 136.01. The superior performance of SARIMA is attributed to its parameter tuning and ability to handle seasonality, while Prophet’s flexibility is noted as beneficial for non-linear data scenarios.
In conclusion, the study recommends the use of the SARIMA model, specifically the configuration (0,2,2)(1,1,1), for sectors with distinct seasonal trends, such as technology and AI-related fields, due to its demonstrated robustness and lower RMSE. Conversely, Prophet is suggested as a viable alternative for industries characterized by volatility and non-linear trends. The integration of TSCV is advised to enhance model robustness, and the inclusion of exogenous variables, such as economic or policy factors, could further refine forecasting accuracy. Overall, the research underscores the critical role of time series forecasting in navigating the evolving landscape of AI in the labor market, enabling stakeholders to make informed decisions regarding workforce strategies and AI integration.
Introduction
The introduction of this research paper discusses the transformative effects of Artificial Intelligence (AI) on the job market, emphasizing its dual role in both automating repetitive tasks and creating new employment opportunities in technology sectors. As AI integration increases, understanding its influence on employment trends becomes vital for policymakers, business leaders, and workers. The paper highlights the necessity for accurate forecasting of job market trends influenced by AI, particularly as traditional education systems may not sufficiently prepare the workforce for emerging roles, underscoring the importance of retraining and upskilling initiatives.
The study aims to tackle the complexities of forecasting job openings related to AI by comparing two prevalent time series models: Seasonal Auto-Regressive Integrated Moving Average (SARIMA) and Facebook Prophet. While traditional forecasting methods often struggle to account for factors such as seasonality, outliers, and nonstationarity, this research seeks to evaluate which model more effectively predicts job openings in the context of AI’s evolving impact on the labor market.
Methods
The methodology section outlines the systematic approach employed in the research. It details the experimental design, including the selection of participants, data collection techniques, and analytical methods used to evaluate the results. The study utilized a quantitative framework, incorporating statistical tools to ensure the reliability and validity of the findings.
Data was gathered through structured surveys and controlled experiments, allowing for a comprehensive analysis of the variables in question. The analytical methods included regression analysis and hypothesis testing, which facilitated the identification of significant relationships among the variables. Overall, the methodology was designed to rigorously test the research hypotheses and contribute to the existing body of knowledge in the field.
Results
The results of the cross-validation using the SARIMA model were assessed through a time series cross-validation (TSCV) approach, employing a rolling forecast origin method. This method simulates real-world forecasting by training the model on an expanding dataset and testing it on subsequent points. The mean root mean square error (RMSE) across 14 folds was calculated to be 19.677, with a standard deviation of 32.273, indicating variability in performance across different forecast horizons. Notably, the average RMSE was consistently better than that obtained from a single-split evaluation.
Figure 9 illustrates the RMSE values for each fold, with the mean represented by a red dashed line and one standard deviation above and below the mean indicated by dotted green lines. The RMSE remained stable for the first 12 folds, but a significant spike was observed in fold 14, suggesting an outlier in the forecasted values. Overall, the findings indicate that despite some fluctuations, the SARIMA model demonstrates robustness and reliability in predicting AI job openings over time, with the cross-validation process yielding a more comprehensive assessment of its performance across various forecasting scenarios.
Discussion
The discussion section of the research paper highlights the dual impact of Artificial Intelligence (AI) on the job market, emphasizing both job displacement and creation. AI technologies have notably displaced low-skilled jobs in sectors like manufacturing and finance due to their automation capabilities, a phenomenon termed the “replacement effect.” However, this displacement is counterbalanced by the emergence of new roles in tech-centric fields such as AI engineering and data analysis, which require advanced skills. The findings underscore the necessity for policymakers to implement strategies that address workforce transitions, ensuring that workers are equipped with the skills needed for these new opportunities while mitigating the risks associated with job losses in routine task-dependent sectors.
The section also discusses the performance of two forecasting models—SARIMA and Prophet—used to analyze AI job market trends. The SARIMA model, which incorporates seasonal components, demonstrated superior predictive accuracy compared to Prophet, particularly when its parameters were carefully tuned. The results indicated that SARIMA’s ability to handle seasonality and its robust parameter optimization contributed to its effectiveness in forecasting AI job openings. In contrast, while Prophet is adept at managing non-linear trends and irregularities, it did not outperform SARIMA in this specific dataset. This comparison highlights the importance of selecting appropriate forecasting models based on the data characteristics and the specific forecasting objectives.
Limitations
The limitations of the SARIMA model, while demonstrating robust performance in forecasting, are significant and warrant attention. Primarily, the model’s effectiveness is contingent upon the availability of historical data, as its predictive accuracy is closely tied to past patterns. Furthermore, SARIMA may encounter difficulties with highly non-linear or irregular data, which, although not central to this study, could present challenges in other applications. The failure of the SARIMAX model, which includes exogenous variables, to enhance forecasting accuracy underscores the necessity for judicious selection of external factors that directly influence AI job trends.
Future research should focus on integrating more relevant exogenous variables, such as economic indicators or technological trends, to enrich insights into the AI job market and potentially enhance forecasting precision, especially in sectors affected by external economic or policy changes. Additionally, exploring machine learning approaches, particularly Long Short-Term Memory (LSTM) networks, may yield improvements in forecasting capabilities for the AI job market, particularly in volatile conditions. Expanding the range of evaluation metrics, such as Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE), could also provide a more nuanced assessment of model performance across various contexts. Addressing these limitations and broadening the scope of models tested could significantly refine AI job market forecasting, thereby offering more reliable tools for stakeholders in policy, business, and workforce planning.