在Sokanu，我们花了很多时间思考职业满意度最近，我们甚至花了更多的时间来思考到底什么才能让人对自己的职业生涯感到满意。我们知道，虽然职业生涯中的每个角色都是独特的，但有些职业总体上只是有快乐的员工。然而，即使在报告满意度最低的职业中，也有一些人对自己的工作感到快乐，而在报告满意度最高的职业中，也有一些人表示非常不快乐。没有一种职业对每个人来说都是最满意或最不满意的。无论一个人在职业中追求的是什么，都不一定是让他在其中感到快乐的东西。例如，医生职业是竞争最激烈的职业之一，机会比感兴趣的人少。即便如此，医生们还是这么做了不断被发现成为最不快乐的员工之一。这个职业的现实和它的理念是不同的。
这是最基本的困难。职业选择往往是基于兴趣，但真正的目标是找到一个令人满意的职业。一个人怎么能选择自己既感兴趣又能让自己满意的职业呢?除非他已经做出了选择，否则他无法确定自己是否满意。这并不是说兴趣和满足感不一致。直觉告诉我们，你不太可能对自己不感兴趣的职业感到满意，但我们收集的数据表明，满意度和兴趣之间通常存在差距。
例如，在Sokanu的数据库中，814种职业的平均兴趣和满意度是如何分布的。
绝大多数人报告说，如果我们认为职业兴趣和职业满意度是相等的，他们对职业的满意度比我们预期的要高。这很有可能纯粹是出于对满足感的偏见。样本偏差可能会误导我们高估满意度和兴趣之间的差异。根据定义，唯一能够判断自己对职业满意度的人是那些真正在工作的人!如果高兴趣确实能带来高满足感，那么我们应该期待看到上述类型的情节。那些对职业的兴趣评级较低的人从来没有机会报告满意度，所以满意度评级会被夸大。尽管如此，报告的满意度远远超过报告的兴趣水平。
还有一种解释。也有可能满足感受到的影响不仅仅是驱动兴趣的因素。也许人们通常不理解职业的现实，或者他们错误地判断了自己对自己所知道的事情的反应。例如，可能有人因为热爱城市规划和物理而成为一名土木工程师，但他们最终在工作中不快乐，因为他们没有意识到他们的大部分时间会是这样的在办公桌前度过。或者一个人成为私人教练是因为他们享受健康和健身，但是要意识到这一点这是企业家的一面帮助他们真正热爱这份工作。如果是这样，那么我们应该在我们创建的预测兴趣和满意度的模型中看到证据。
预测用户评分
我们一直致力于开发预测职业兴趣和职业满意度的模型。使用用户提供的数据进行我们的评估，这有助于我们确定哪些职业对用户来说是最满意的，哪些职业与最有趣的职业有最大的不同。也许最重要的是，我们也可以开始弄清楚是什么驱动了兴趣和满足感。这部分有点技术性，所以如果您只是想了解为什么我们认为我们在兴趣和满意度评分上看到了差异，请直接跳到下一节。
这一部分有点技术性，所以对于想跳过这一部分的人来说，TLDR是我们可以使用模型来获得一个排序的因素列表，按照它们对预测兴趣或满意度的重要性进行排序。
用户提供从1到5的评分，所以我们可以用一种方法来模拟用户的反应序数回归，这是有用的，当反应被考虑在一个序数尺度(例如，用户反应3或4是有意义的，但3.5是不允许的)。序数回归的工作原理是将所有的特征线性地组合成一个输出，与线性回归没有什么不同。
例如，假设我们预测了成为一名摄影师的兴趣，为了做到这一点，我们使用这个人报告的对艺术的兴趣(X)，渴望运用计算机编程技能(Y)及对运动的兴趣(Z)。我们的模型学习权值与每个特征相关联，根据特征如何与成为摄影师的兴趣相关联。在上面的例子中,我们预计艺术感兴趣是积极相关兴趣成为一个摄影师(2)称体重,希望利用计算机编程技能是负相关(说一个重量的1),和感兴趣的运动是不相关的(比如重量为0.1)。由此，模型产生一个原始输出，
Raw Output = 2⋅X - Y + 0.1⋅Z所以，如果一个人在艺术兴趣方面打了4分，在使用电脑编程方面打了2分，在体育方面打了3分，原始的结果会是，
Raw Output = 2⋅4 - 2 + 0.1⋅3 = 6.3这当然不能作为预测评级，所以我们的模型还需要一个元素。
除了权重，模型还学习了一组4个的权重阈值。阈值将原始输出转换为1到5的评级。对于像6.3这样的原始输出，预测的用户评级是阈值6.3大于+ 1。如果我们的四个阈值是- 1,0,2,8，我们可以预测是4，因为6。3大于- 1,0,2，但小于8。
我们无法想象三个特征会发生什么，但如果我们考虑单个特征的情况V，我们可以开始想象这是如何运作的。假设我们只有一个权重为1。5的特性，那么原始输出等于，
Raw Output = 1.5⋅V如果我们在3、4.5、7.5和12处有四个阈值，那么预测函数将如下图所示。
x轴表示输入值，y轴表示原始输出。每个阈值由一条水平的黑线表示，这条黑线将可能的原始输出分割成不规则的间隔。如果你进行评估，我们考虑的单一特征的得分是4，这意味着我们将特征值设为4，结果如下所示，
白线表示我们如何将输入4与原始输出6关联起来。因为6大于两个阈值且小于其他两个阈值，所以我们预测为3。
重要的一点是，给定一个数据集，我们的模型学习最优权重和阈值来预测评级。与高评级呈正相关的功能将获得较大的正权重，从而帮助推动原始输出，并有望超过大多数阈值。相反地，与高评级负相关的特性会得到较大的负权重，从而拉低原始输出，理想情况下低于大多数阈值。每个权重根据用户的响应拉动原始输出的一定数量，原始输出最终在阈值之间稳定下来。
通过训练模型来预测每个职业的兴趣和满意度，我们可以检查哪些特征与它们相关的权重最大，从而帮助确定对每个职业来说什么是最重要的。在之前的摄影例子中，我们将这些因素的重要性排序如下:
- 艺术的兴趣
- 渴望使用编程技能
- 体育运动的兴趣
现在来看看真正的东西。
缩小兴趣和满足感之间的差距
我们研究了不同职业的整体兴趣和满意度，通过上面介绍的模型，我们可以开始通过发现驱动差异的原因来洞察不同职业。护理是最值得考虑的职业之一。
预测护士的兴趣和满意度
探访Sokanu的人对护理的平均满意度为2.32，这相对接近于报道的对该职业的平均满意度2.78。然而，护理作为一种职业，其满意度比我们有数据的大多数职业都要低。
使用我们上面讨论过的模型，当一个人对护理感兴趣时，最重要的五个因素是:
- 医疗保健的兴趣。
- 对解释医学测试结果的兴趣
- 有兴趣帮助残疾人参加诸如穿衣等活动。
- 乐于帮助老年人完成日常活动。
- 有兴趣教孩子和其他孩子一起玩。
这些都与对护理的兴趣呈正相关，这很有意义。我们期望护士应该对医疗保健和相关活动感兴趣，他们应该享受与人群中弱势群体相处的时间，因为他们可能会更经常地见到他们。
如果我们深入研究满意度数据，我们会发现，当人们决定自己的兴趣时，其他因素并未被考虑在内。与护士职业满意度最相关的五个因素是:
- 医疗保健的兴趣。
- 乐于帮助老年人完成日常活动。
- 乐于助人。
- 对解释医学测试结果的兴趣
- 享受娱乐观众的乐趣吧。
这些都和对护理的兴趣有积极的联系，但是和兴趣案例有一些关键的区别。首先，一些更明显的日常任务被弱化了，从对解释医学测试结果的兴趣被降到第四个来看。与弱势群体合作的愿望仍然代表着帮助老年人完成日常活动的兴趣，但我们也看到了一个可以说是更全面的表现护士职责的因素五的存在。在病人护理方面，护士往往是医院的代表人物，所以她们往往会在病人最困难的时候帮助他们。我们的模型告诉我们，保持积极的态度和让病人高兴起来的意愿可以在工作满意度中发挥主要作用。
第二个重要的结论是，满意度数据可能更善于捕捉内部动机。第三个因素是想要帮助别人，但这并没有出现在对护理感兴趣的重要特质列表中，也与护士的具体日常工作无关。相反，它与内在动机有关。护理是一项要求很高的工作，无论是在身体上还是在情感上，而帮助他人的内在愿望可以激励和保持护士在整个职业生涯的挑战快乐。对于一个人来说，要对自己的工作感到满意，他们需要感到自己在做有意义的工作是完全有意义的。
满意度在Sokanu
对索卡努来说，区分利益和满足的能力是一个巨大的机会。通过利用我们拥有的关于驱动满足感和兴趣的大量数据，我们可以开始帮助人们找出最重要的品质，这些品质会让他们在长期的职业生涯中感到快乐。还有一些有趣的事情正在进行中，所以请继续关注并经常回来查看。
