MULTI-MODAL ENSEMBLE LEARNING ARCHITECTURE FOR LABOR MARKET’S DIGITAL TRANSFORMATION

Assylbek Gizatov, Nurtas Zhaksybayev, Alibi Jangeldin

2026

Закрытый доступ Метаданные (CSL-JSON)
DOI 10.68458/ee.2026.1.6
Достоверность данных 85 высокая
Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

The rapid growth of educational grants in Kazakhstan has led to wage stagnation and oversaturation in key sectors. This study presents a meta-model combining CatBoost, Explainable Boosting Machine (EBM), and Bayesian-optimized LSTM neural networks to forecast wages, analyze labor market factors, and predict sector demand trends. Findings highlight critical oversupply risks, providing policymakers actionable insights for aligning education with economic needs, fostering sustainable development.