Bitte verwenden Sie diesen Link, um diese Publikation zu zitieren, oder auf sie als Internetquelle zu verweisen: https://hdl.handle.net/10419/146157 
Erscheinungsjahr: 
2016
Schriftenreihe/Nr.: 
IAB-Discussion Paper No. 17/2016
Verlag: 
Institut für Arbeitsmarkt- und Berufsforschung (IAB), Nürnberg
Zusammenfassung: 
Currently, most surveys ask for occupation with open-ended questions. The verbatim responses are coded afterwards, which is error-prone and expensive. We describe an alternative approach that allows occupation coding during the interview. Our new technique utilizes a supervised learning algorithm to predict candidate job categories. These suggestions are presented to the respondent, who can in turn choose the most adequate occupation. 72.4% of the respondents selected an occupation when the new instrument was tested in a telephone survey, implicating potential cost savings. To aid further improvements, we identify a number of factors how to increase quality and reduce interview duration.
Zusammenfassung (übersetzt): 
Die Erfassung des Berufs geschieht in Umfragen üblicherweise mithilfe offener Fragen. Anschließend ist eine Kodierung der Freitextantworten notwendig, was teuer und fehleranfällig ist. Wir beschreiben einen alternativen Ansatz, bei dem die Kodierung bereits während des Interviews erfolgt. Die neue Methode verwendet Algorithmen des maschinellen Lernens um mögliche Berufskategorien automatisch vorherzusagen. Die so erzeugten Vorschläge werden dem Befragten vorgelegt, der dann sofort die am besten passende Kategorie auswählen kann. 72.4% der Teilnehmer einer Telefonbefragung haben auf diese Weise ihren Beruf direkt während des Interviews kodiert, was mögliche Kosteneinsparungen impliziert. Um weitere Verbesserungen des neuen Instruments zu ermöglichen, identifizieren wir verschiedene Faktoren, wie auch die Qualität der Kodierung erhöht und die Dauer der Interviews verkürzt werden kann.
Schlagwörter: 
Coding
Interview Coding
Measurement Error
Occupation
Open-ended Questions
Supervised Learning
JEL: 
C83
J40
Dokumentart: 
Working Paper

Datei(en):
Datei
Größe
266.13 kB





Publikationen in EconStor sind urheberrechtlich geschützt.