为什么要挑选一个职业生涯

在Sokanu，我们花了很多时间思考职业满意度而且最近，我们花了更多的时间考虑究竟让别人满意的职业生涯。我们知道，虽然职业生涯中的每一个角色都是独一无二的，但整体的一些职业只是往往有幸福的工人。然而，甚至在具有最低报告的满意度水平的职业生涯中，有些人对自己的工作感到满意，以及最高报告的满足程度的职业生涯都有一些人报告令人深刻的不满意。没有一个最多，或至少，满足每个人的职业。无论职业生涯的哪些方面都带领一个人追求的人，这并不一定是相同的东西让他们幸福。例如，医生专业是进入的最具竞争力的职业之一，比有兴趣的人员更少。即便如此，医生也有一直被发现成为一些不愉快的工人。行业的现实不同于它的想法。

这是基本困难。职业选择通常是基于兴趣的，但实际目标是找到满足的职业。一个人如何选择职业生涯，以为他们感兴趣，并且当他们无法确定他们已经做出选择时会满足？这并不是说兴趣和满足是有可能的。这是直观的，你不太可能对你不感兴趣的职业感到满意，但我们从我们收集的数据中知道，在我们报告的满意度和兴趣之间经常存在差距。

例如，考虑如何在Sokanu数据库的所有814职业中分发平均兴趣和满意度。

压倒性地，如果我们认为职业兴趣和职业满意度相当，人们会报告比我们期望的职业更满意。这可能是纯粹是偏离满足感的艺术品。样本偏见可能会误导我们高估满足和兴趣之间的差异。根据定义，唯一可以在职业中判断他们满意的人是那些实际工作的人！如果高兴趣导致高度满意度，那么我们应该期望看到上面的情节类型。评估职业生涯的人因为兴趣而言，没有机会报告满意度，因此满意度评级会膨胀。即便如此，报告的兴趣水平远远超过了据报道的满意度。

有第二个解释。满意度也可能受到兴趣的影响的影响。也许人们通常不了解职业的现实，或者也许他们误解了他们对他们所知道的事情的作响。例如，也许一个人成为一个土木工程师，因为他们喜欢城市规划和物理，但他们在工作中不满意，因为他们没有意识到他们的大部分时间是花在桌子上。或者也许一个人成为一个私人教练，因为他们享有健康和健身，但意识到这一点这是企业家方面帮助他们真正爱它的工作。如果是这种情况，那么我们应该在我们创造的模型中看到它的证据，以预测兴趣和满意度。

预测用户评级

我们一直致力于开发模型以预测职业兴趣和职业满意度。使用由我们评估提供的用户提供的数据，这有助于我们确定哪些职业对用户最满足的职业以及最大的差异是有趣的。也许最重要的是，我们也可以开始弄清楚驱动器兴趣和驱动器满意的原因。这部分获得了一点技术，所以如果你只想要为什么我们认为我们看到我们看到兴趣和满意度评级的差异，请随时跳到下一节。

这部分获得了一点技术，所以要跳过这一部分的人的TLDR是我们可以使用该模型来获得分类的因素列表，以便重视预测兴趣或满足。

用户可以从1到5的等级提供评级，因此我们可以使用的方式之一序号回归当被考虑的响应处于序序时是有用的（即用3或4响应的用户有意义，但不允许3.5）。序数回归通过将所有功能与输出组合成输出来实现，而不是与线性回归不同。

例如，假设我们预测成为成为摄影师的兴趣，并这样做是我们使用该人报告的艺术兴趣（X），渴望使用他们的计算机编程技巧（y）和对运动的兴趣（Z.）。我们的模型根据特征如何与摄影师涉及兴趣，了解权重。在上面的情况下，我们期望对艺术的兴趣与作为摄影师的兴趣正相关（说2），希望使用计算机编程技能与否定相关的愿望（例如重量-1），以及对运动的兴趣在很大程度上不相关（例如重量为0.1）。由此，模型产生原始输出，

原始输出= 2⋅x  -  y + 0.1⋅z

因此，如果一个人报告了艺术的4个兴趣，他们希望使用计算机编程的愿望，以及对运动的兴趣，原始产出将是，

原始输出= 2÷4  -  2 + 0.1÷3 = 6.3

这当然没有意义作为预测的评级，因此我们的模型需要更为有成分。

随着权重，模型学习一套四个阈值。阈值将原始输出转换为从1到5的额定值。给定R原始输出，如6.3，预测用户评级是阈值6.3的数量大于加1。因此，如果我们的四个阈值为-1,0,2和8，则我们将预测4，因为6.3大于-1,0和2，但小于8。

我们无法可视化三个功能发生的事情，但如果我们考虑单个功能的情况V.，我们可以开始想象这是如何工作的。让我们假装我们只有一个重量为1.5的单个功能，因此原始输出等于，

原始输出= 1.5⋅v

如果我们在3,4.5,7.5和12处有四个阈值，那么预测函数看起来就像下面的图。

X轴显示输入值，Y轴表示原始输出。每个阈值用水平黑线表示，它将可能的原始输出分成不规则间隔。因此，如果您参加了我们考虑的单个特征的评估和分数是4，这意味着我们将要素值设置为4，结果是我们在下面看到的，

白线表示我们如何将输入4联系到原始输出6.由于6大于两个阈值并且小于其他两个阈值，我们预测3。

重要点是，给定数据集，我们的模型学会了最佳权重和阈值以预测额定值。与高评级相关联的特征获得了大量的积极权重，以帮助推动原始输出并希望大部分阈值。相反，与高额定值产生负相关的特征，得到大的负重，以将原始输出拉下来，理想地低于大部分阈值。每种重量都会根据用户的响应提出了一定量的一定量，并且原始输出最终在阈值之间安置。

通过培训模型来预测每个职业的兴趣和满足，我们可以检查哪些功能与他们相关的重量，以帮助确定每个的最重要的功能。对于我们以前玩的摄影示例，我们会订购因素的重要性：

1. 艺术兴趣
2. 渴望使用编程技巧
3. 对运动的兴趣

现在到真实的东西。

弥合兴趣与满意度之间的差距

我们展望职业的整体兴趣和满足感，以及我们上面介绍的模型，我们可以通过发现驱动差异的东西来开始对不同的职业深入了解。需要考虑的最有趣的职业是护理之一。

预测护士之间的兴趣和满足

Sokanu的游客平均为护理提供了2.32的兴趣评级，这相对较为接近2.78的职业生涯的平均满意度。作为一个专业的护理虽然看到了比我们有数据的大多数职业的满意度得多。

使用我们上面讨论的模型，这五个最重要的因素涉及到护理有兴趣的人是：

1. 对医疗保健的兴趣。
2. 对解释医学测试结果的兴趣。
3. 兴趣帮助残疾人与衣服这样的活动。
4. 兴趣帮助老人完成日常活动。
5. 对教孩子们与其他孩子一起玩的兴趣。

这些都与护理有兴趣肯定有关，这使得很有意义。我们预计护士应该对医疗保健以及与之相关的活动感兴趣，他们应该享受在人口中更脆弱的群体来度过时间，因为他们可能更频繁地看到它们。

如果我们挖掘满足数据，我们会看到人们决定兴趣时没有考虑的其他因素。与护士职业满意最相关的五个因素是：

1. 对医疗保健的兴趣。
2. 兴趣帮助老人完成日常活动。
3. 渴望帮助人们。
4. 对解释医学测试结果的兴趣。
5. 享受娱乐观众。

这些再次与护理兴趣正相关，但与兴趣案件有几个关键差异。对于一个，一些更明显的日常任务被解除强调，从兴趣解释医学测试结果被撞击到第四次。渴望与更多弱势群体合作仍然是通过帮助老人完成日常活动的兴趣来代表，但我们还看到了一个可怜的人在五个因素存在下履行护士职责。当患者关心时，护士往往是医院的脸，所以他们倾向于在最困难的时期看到人们。我们的模式告诉我们，保持积极的态度和欢呼患者可以在工作满意度中发挥重要作用。

第二个大外带是在捕获内部动机时可能更好的令人满意的数据。因子三，帮助人们的愿望，并没有出现在对护理的兴趣的重要性列表中，并且与护士的特定日常任务无关。相反，它涉及内部动机。护理是一种苛刻的工作，在身体和情感上，以及帮助人们可以激励和让护士在整个职业挑战中兴起的内部愿望。对于一个人对自己的工作感到满意，它会完全感知他们需要觉得他们正在做有意义的工作。

在Sokanu的满意度

区分兴趣和满足的能力是Sokanu的巨大机会。通过利用我们对推动满足和兴趣的大量数据，我们可以开始帮助人们隔离最重要的品质，使他们能够长期幸福。这里有有趣的东西在管道中，所以经常保持调整并重新检查。