Applying sentiment analysis to Vietnamese news data to identify career trends in Vietnam
Hoàng Anh Tuấn
Trường Đại học Thương mại
Email:hoangtuan1203@gmail.com
(Quanlynhanuoc.vn) – Sự phát triển nhanh của trí tuệ nhân tạo (AI), chuyển đổi số và nền kinh tế số đang làm thay đổi nhu cầu nhân lực và cơ cấu nghề nghiệp trên thị trường lao động. Trong bối cảnh đó, việc nhận diện sớm các xu hướng nghề nghiệp có ý nghĩa quan trọng đối với cơ quan quản lý, cơ sở đào tạo và người lao động. Bên cạnh các nguồn dữ liệu thống kê truyền thống, dữ liệu tin tức trực tuyến phản ánh liên tục những biến động về tuyển dụng, nhu cầu kỹ năng và sự phát triển của các ngành nghề. Nghiên cứu này đề xuất phương pháp khai thác dữ liệu tin tức tiếng Việt kết hợp xử lý ngôn ngữ tự nhiên và phân tích cảm xúc nhằm nhận diện xu hướng nghề nghiệp, góp phần bổ sung một nguồn thông tin hỗ trợ theo dõi diễn biến của thị trường lao động.
Từ khóa: Dữ liệu lớn; xử lý ngôn ngữ tự nhiên; phân tích cảm xúc; dự báo ngắn hạn; xu hướng nghề nghiệp; thị trường lao động.
Abstract: The rapid development of artificial intelligence (AI), digital transformation, and the digital economy is changing the demand for human resources and the occupational structure in the labor market. In this context, early identification of occupational trends is crucial for management agencies, training institutions, and workers. Besides traditional statistical data sources, online news data continuously reflect changes in recruitment, skill needs, and the development of various professions. This study proposes a method that combines Vietnamese news data, natural language processing, and sentiment analysis to identify occupational trends, providing supplementary information to support monitoring the evolution of the labor market.
Keywords: Big data; natural language processing; sentiment analysis; short-term forecasting; occupational trends; labor market.
1. Đặt vấn đề
Thị trường lao động luôn biến động dưới tác động của phát triển kinh tế, đổi mới công nghệ và quá trình chuyển đổi số. Những thay đổi này làm xuất hiện các yêu cầu mới về kỹ năng, đồng thời thay đổi mức độ quan tâm đối với nhiều nhóm nghề nghiệp. Vì vậy, việc theo dõi và nhận diện xu hướng nghề nghiệp một cách kịp thời là cơ sở quan trọng cho hoạch định chính sách, định hướng đào tạo và phát triển nguồn nhân lực.
Hiện nay, việc phân tích xu hướng thị trường lao động chủ yếu dựa trên dữ liệu điều tra, thống kê hoặc báo cáo định kỳ. Mặc dù có độ tin cậy cao, các nguồn dữ liệu này thường được công bố theo chu kỳ nên chưa phản ánh kịp thời những biến động nhanh của thị trường. Trong khi đó, báo điện tử và các nền tảng tin tức trực tuyến liên tục cập nhật thông tin về tuyển dụng, nhu cầu nhân lực, chính sách lao động và sự phát triển của các ngành nghề, tạo ra nguồn dữ liệu văn bản có giá trị để nhận diện các tín hiệu sớm của thị trường.
Sự phát triển của xử lý ngôn ngữ tự nhiên (Natural Language Processing – NLP) và các mô hình ngôn ngữ lớn đã mở ra khả năng khai thác hiệu quả dữ liệu văn bản quy mô lớn. Tuy nhiên, tại Việt Nam, các nghiên cứu sử dụng dữ liệu tin tức tiếng Việt để nhận diện xu hướng nghề nghiệp, đặc biệt là kết hợp giữa nhận diện nghề nghiệp và phân tích cảm xúc, vẫn còn hạn chế. Khoảng trống này đặt ra yêu cầu xây dựng một phương pháp phù hợp với đặc điểm dữ liệu tiếng Việt nhằm khai thác hiệu quả thông tin từ báo chí. Trên cơ sở đó, bài viết đề xuất một quy trình khai thác dữ liệu tin tức tiếng Việt kết hợp xử lý ngôn ngữ tự nhiên và phân tích cảm xúc để nhận diện xu hướng nghề nghiệp trên thị trường lao động; đồng thời, xây dựng từ điển nghề nghiệp, trích xuất các câu liên quan đến từng nghề và tổng hợp kết quả thông qua chỉ số xếp hạng cảm xúc nghề nghiệp (Occupation Sentiment Ranking Algorithm – OSRA). Kết quả nghiên cứu góp phần bổ sung một cách tiếp cận dựa trên dữ liệu văn bản, hỗ trợ theo dõi xu hướng nghề nghiệp và cung cấp thông tin tham khảo cho các cơ quan quản lý, cơ sở đào tạo và doanh nghiệp.
2. Tổng quan tài liệu nghiên cứu
2.1. Đặc điểm thị trường lao động Việt Nam
Việt Nam là một trong những nền kinh tế có tốc độ tăng trưởng nhanh tại Đông Nam Á với lực lượng lao động trên 52 triệu người và cơ cấu dân số trẻ (Quỳnh Chi (04/7/2026), tạo lợi thế quan trọng cho phát triển kinh tế và thu hút đầu tư. Tuy nhiên, quá trình chuyển đổi số, tự động hóa và ứng dụng trí tuệ nhân tạo đang làm thay đổi nhanh chóng cơ cấu việc làm cũng như yêu cầu về kỹ năng của lực lượng lao động (Ngo et al., 2025; Tran et al., 2025). Bên cạnh những cơ hội do nền kinh tế số mang lại, thị trường lao động cũng đang đối mặt với tình trạng mất cân đối giữa cung và cầu lao động, đặc biệt là sự chênh lệch giữa kỹ năng của người lao động và yêu cầu của doanh nghiệp trong các lĩnh vực khoa học, công nghệ, kỹ thuật và toán học (STEM) (Trinh et al., 2024).
Cùng với quá trình hội nhập kinh tế quốc tế, nhiều ngành nghề mới, như: công nghệ thông tin, AI, phân tích dữ liệu, logistics và năng lượng tái tạo được dự báo sẽ tiếp tục tăng trưởng mạnh trong thập kỷ tới. Điều này kéo theo nhu cầu ngày càng lớn đối với nguồn nhân lực có trình độ chuyên môn cao và khả năng thích ứng với môi trường số (Hoang et al., 2024; Nguyen-Phung et al., 2024). Đồng thời, xu hướng già hóa dân số cũng làm gia tăng nhu cầu đối với các ngành chăm sóc sức khỏe và dịch vụ xã hội, tạo ra những thay đổi đáng kể trong cơ cấu nghề nghiệp của nền kinh tế.
Trong bối cảnh đó, dự báo xu hướng nghề nghiệp không chỉ giúp cơ quan quản lý nhà nước xây dựng chính sách phát triển nguồn nhân lực phù hợp mà còn hỗ trợ các cơ sở giáo dục điều chỉnh chương trình đào tạo, doanh nghiệp xây dựng chiến lược tuyển dụng và người lao động lựa chọn lộ trình nghề nghiệp phù hợp với nhu cầu của thị trường (Ngo et al., 2025; Trinh et al., 2024). Do vậy, việc xây dựng các phương pháp dự báo có khả năng phản ánh kịp thời sự thay đổi của thị trường lao động đang trở thành yêu cầu cấp thiết.
2.2. Các phương pháp dự báo xu hướng nghề nghiệp
Dự báo xu hướng nghề nghiệp là quá trình nhận diện và dự đoán sự thay đổi về nhu cầu lao động, cơ cấu nghề nghiệp và xu hướng việc làm trong tương lai thông qua các phương pháp thống kê, kinh tế lượng hoặc học máy (Chen, 2025; Mezhoudi et al., 2023; Wang et al., 2025; Xing et al., 2023). Các nghiên cứu truyền thống chủ yếu sử dụng dữ liệu từ điều tra lực lượng lao động hoặc hệ thống thống kê quốc gia để dự báo nhu cầu nhân lực theo ngành nghề và lĩnh vực kinh tế (Alsultanny, 2013; Riauwindu & Zlatev, 2024). Những nguồn dữ liệu này có ưu điểm về tính chính xác và độ tin cậy, song thường tồn tại độ trễ trong thu thập và công bố, khiến khả năng phản ánh các biến động ngắn hạn của thị trường lao động còn hạn chế.
Sự phát triển của học máy (Machine Learning – ML) đã mở ra nhiều hướng tiếp cận mới trong dự báo thị trường lao động. Không giống các mô hình kinh tế lượng truyền thống thường dựa trên giả định tuyến tính, các thuật toán ML có khả năng xử lý dữ liệu lớn, đa chiều và nhận diện các mối quan hệ phi tuyến giữa các biến, qua đó cải thiện độ chính xác của dự báo (Alharbi & Al-Alawi, 2024; Ciplak & Yildiz, 2024; Todd et al., 2024).
Nhiều nghiên cứu đã ứng dụng ML để dự báo tỷ lệ thất nghiệp, nhu cầu tuyển dụng, khả năng tìm việc của sinh viên sau tốt nghiệp hoặc đánh giá nguy cơ thiếu hụt kỹ năng trong từng ngành nghề (Dawson et al., 2020; Ngo et al., 2025; Tran Hai et al., 2025). Bên cạnh đó, các mô hình học sâu (Deep Learning) cũng được sử dụng để phân tích dữ liệu chuỗi thời gian nhằm nhận diện sớm các biến động của thị trường lao động và nâng cao hiệu quả dự báo (Alharbi & Al-Alawi, 2024; Senthurvelautham & Senanayake, 2023). Mặc dù đạt được nhiều kết quả tích cực, phần lớn các nghiên cứu hiện nay vẫn dựa chủ yếu trên dữ liệu có cấu trúc, như: số liệu thống kê, điều tra hoặc dữ liệu tuyển dụng, trong khi việc khai thác dữ liệu văn bản phi cấu trúc để dự báo xu hướng nghề nghiệp vẫn còn tương đối hạn chế.
2.3. Phân tích cảm xúc trong dự báo xu hướng nghề nghiệp
Sự phát triển của xử lý ngôn ngữ tự nhiên (NLP) và phân tích cảm xúc đã tạo điều kiện khai thác hiệu quả các nguồn dữ liệu văn bản phi cấu trúc, như: tin tức, bài đăng tuyển dụng hoặc mạng xã hội nhằm nhận diện các tín hiệu phản ánh sự thay đổi của thị trường lao động (Alharbi & Al-Alawi, 2024; Thu et al., 2021). Phân tích cảm xúc cho phép đánh giá xu hướng tích cực hoặc tiêu cực của nội dung văn bản liên quan đến từng nghề nghiệp hoặc lĩnh vực việc làm. Cảm xúc tích cực thường phản ánh kỳ vọng về nhu cầu tuyển dụng, mở rộng sản xuất hoặc triển vọng phát triển của ngành, trong khi cảm xúc tiêu cực có thể phản ánh nguy cơ cắt giảm lao động, suy giảm nhu cầu tuyển dụng hoặc tác động của tự động hóa đối với một số nghề nghiệp (Dhawan & Tyagi, 2024). Vì vậy, phân tích cảm xúc được xem là nguồn tín hiệu có giá trị trong việc nhận diện sớm các xu hướng của thị trường lao động trước khi chúng được phản ánh trong các số liệu thống kê chính thức.
Những năm gần đây, các nhà nghiên cứu đã kết hợp NLP với học máy để khai thác dữ liệu tuyển dụng trực tuyến, Twitter hoặc các nền tảng truyền thông xã hội nhằm dự báo nhu cầu nhân lực và xu hướng nghề nghiệp (Ciplak & Yildiz, 2024; Erbay et al., 2025; Yang & Chang, 2023). Tuy nhiên, các nghiên cứu này chủ yếu được thực hiện tại các quốc gia phát triển và sử dụng dữ liệu tiếng Anh; việc khai thác dữ liệu tin tức tiếng Việt phục vụ dự báo xu hướng nghề nghiệp vẫn còn rất hạn chế. Bên cạnh đó, nhiều nghiên cứu tập trung vào dự báo tỷ lệ việc làm hoặc nhu cầu tuyển dụng, trong khi ít quan tâm đến việc lượng hóa cảm xúc của truyền thông đối với từng nghề nghiệp và sử dụng các tín hiệu này để dự báo ngắn hạn (nowcasting) xu hướng nghề nghiệp. Đây chính là khoảng trống nghiên cứu mà bài viết hướng tới.
Trên cơ sở đó, nghiên cứu đề xuất thuật toán Occupational Sentiment Ranking Algorithm (OSRA) nhằm kết hợp khai thác văn bản với phân tích cảm xúc để nhận diện các nghề nghiệp được quan tâm, lượng hóa cảm xúc của truyền thông và xếp hạng triển vọng phát triển của từng nghề nghiệp trên thị trường lao động Việt Nam. Cách tiếp cận này không thay thế các phương pháp dự báo truyền thống mà đóng vai trò như một công cụ bổ trợ, giúp nâng cao khả năng giám sát và cảnh báo sớm các biến động của thị trường lao động.
3. Phương pháp nghiên cứu
Nghiên cứu đề xuất một khuôn khổ dự báo ngắn hạn (nowcasting) xu hướng nghề nghiệp trên thị trường lao động Việt Nam dựa trên dữ liệu lớn từ tin tức trực tuyến. Bên cạnh đó, bài viết sử dụng phương pháp nghiên cứu kết hợp khai thác văn bản (Text Mining), xử lý ngôn ngữ tự nhiên (Natural Language Processing – NLP) và phân tích cảm xúc (Sentiment Analysis) nhằm nhận diện các nghề nghiệp được quan tâm, đánh giá xu hướng cảm xúc của truyền thông đối với từng nghề nghiệp và dự báo triển vọng phát triển của chúng trên thị trường lao động.
Quy trình nghiên cứu gồm 4 giai đoạn chính: (1) Xây dựng bộ dữ liệu tin tức và từ điển nghề nghiệp; (2) Trích xuất thông tin nghề nghiệp từ dữ liệu văn bản; (3) Phân tích cảm xúc đối với từng nghề nghiệp; (4) Xếp hạng xu hướng nghề nghiệp bằng thuật toán Occupational Sentiment Ranking Algorithm (OSRA).
3.1. Dữ liệu nghiên cứu
Nghiên cứu sử dụng bộ dữ liệu gồm các bài báo tiếng Việt được thu thập từ các báo điện tử trong thời gian từ tháng 01/2020 – tháng 10/2025. Sau khi thu thập, dữ liệu được làm sạch, loại bỏ các bài viết trùng lặp, chuẩn hóa định dạng văn bản và xử lý bằng các kỹ thuật NLP để phục vụ quá trình nhận diện nghề nghiệp và phân tích cảm xúc.
Bảng 1: So sánh phương pháp dự báo nghề nghiệp truyền thống và Nowcasting Nghề nghiệp dựa trên phân tích cảm xúc
| Đặc điểm | Nghiên cứu truyền thống | Nghiên cứu đề xuất |
| Nguồn dữ liệu | Khảo sát; thống kê chính thức | Tin tức trực tuyến (văn bản phi cấu trúc) |
| Thời gian | Có độ trễ | Thời gian thực |
| Đơn vị phân tích | Lĩnh vực | Nghề nghiệp |
| Phương pháp tiếp cận | Dự báo kinh tế lượng | Xử lý ngôn ngữ tự nhiên và phân tích cảm xúc sử dụng dữ liệu lớn |
| Góc nhìn lý thuyết | Kinh tế học lao động | Thông tin và kỳ vọng |
| Chi phí | Đắt đỏ | Chi phí thấp hơn do sử dụng dữ liệu sẵn có |
| Kết quả đầu ra | Tỷ lệ tăng trưởng | Nowcasting (Dự báo hiện tại) xu hướng nghề nghiệp |
Từ bộ dữ liệu trên, nghiên cứu tiến hành xây dựng từ điển nghề nghiệp nhằm chuẩn hóa quá trình nhận diện các nghề nghiệp xuất hiện trong kho ngữ liệu.
3.2. Xây dựng từ điển nghề nghiệp
Để nhận diện nghề nghiệp trong dữ liệu văn bản, nghiên cứu xây dựng một từ điển nghề nghiệp gồm 3 thành phần:
(1) Tập từ vựng nghề nghiệp cốt lõi (Core Occupation Vocabulary – CO) được xây dựng trên cơ sở hệ thống phân loại nghề nghiệp của Tổng cục Thống kê Việt Nam. Tập từ này bao gồm các chức danh nghề nghiệp chuẩn hóa và được sử dụng làm nền tảng cho quá trình nhận diện nghề nghiệp trong văn bản.
Ví dụ: CO = {Bác sĩ, Giáo viên, Nhà báo, Quản lý,…}
(2) Tập từ vựng nghề nghiệp mở rộng (Extended Occupation Vocabulary – EO) được xây dựng từ các tin tuyển dụng trực tuyến và mô tả vị trí việc làm của doanh nghiệp nhằm bổ sung các nghề nghiệp mới xuất hiện trong nền kinh tế số.
Ví dụ: EO = {Kỹ sư phần mềm, Nhà khoa học dữ liệu, Kỹ sư AI, Chuyên gia SEO, Kỹ sư Prompt,…}
(3) Tập từ đồng nghĩa nghề nghiệp (Synonym Occupation Vocabulary – SO) được xây dựng nhằm chuẩn hóa các cách gọi khác nhau của cùng một nghề nghiệp, bảo đảm quá trình nhận diện nghề nghiệp được thống nhất trong toàn bộ kho dữ liệu.
Ví dụ: Giáo viên = {Giảng viên, Nhà giáo, Giáo sư, Trợ giảng, …}
Từ điển nghề nghiệp cuối cùng được hình thành bằng cách kết hợp ba tập từ trên:
Việc sử dụng từ điển nghề nghiệp thống nhất giúp nâng cao độ bao phủ của thuật toán, đồng thời, hạn chế tình trạng bỏ sót hoặc nhận diện không nhất quán các nghề nghiệp trong dữ liệu tin tức.
3.3. Quy trình trích xuất nghề nghiệp
Sau khi xây dựng từ điển nghề nghiệp, bài viết tiến hành khai thác dữ liệu tin tức theo quy trình gồm 5 bước: (1) Thu thập dữ liệu tin tức(các bài báo tiếng Việt được thu thập từ các báo điện tử lớn và lưu trữ thành kho dữ liệu phục vụ nghiên cứu; (2) Tiền xử lý văn bản (dữ liệu được làm sạch, chuẩn hóa ký tự, loại bỏ nội dung trùng lặp và phân tách thành các câu riêng biệt để phục vụ quá trình xử lý ngôn ngữ tự nhiên); (3) Nhận diện nghề nghiệp (thuật toán đối chiếu nội dung văn bản với từ điển nghề nghiệp nhằm xác định các thuật ngữ nghề nghiệp xuất hiện trong từng bài báo); (4) Trích xuất câu định hướng nghề nghiệp (những câu có chứa ít nhất một thuật ngữ nghề nghiệp được tách riêng để hình thành tập dữ liệu phục vụ phân tích cảm xúc; (5) Tổng hợp dữ liệu nghề nghiệp (các câu được nhóm theo từng nghề nghiệp nhằm tính toán tần suất xuất hiện và phục vụ bước phân tích cảm xúc tiếp theo).
3.4. Thuật toán xếp hạng cảm xúc nghề nghiệp (OSRA)
Sau khi xác định các câu liên quan đến từng nghề nghiệp j, nghiên cứu sử dụng mô hình phân tích cảm xúc để đánh giá mức độ tích cực hoặc tiêu cực của từng câu. Đối với mỗi nghề nghiệp , điểm cảm xúc được xác định trên cơ sở tổng hợp điểm tích cực và điểm tiêu cực của toàn bộ các câu liên quan.
Trong đó: Sentimentj: tổng điểm cảm xúc tích cực của nghề nghiệp j; Negativej: tổng điểm cảm xúc tiêu cực của nghề nghiệp j. Điểm cảm xúc càng lớn phản ánh triển vọng phát triển của nghề nghiệp càng tích cực; ngược lại, điểm cảm xúc thấp hoặc âm phản ánh xu hướng bất lợi hoặc rủi ro đối với nghề nghiệp đó. Trên cơ sở điểm cảm xúc, thuật toán Occupational Sentiment Ranking Algorithm (OSRA) tiến hành xếp hạng các nghề nghiệp theo mức độ triển vọng trên thị trường lao động.
3.5. Dự báo ngắn hạn xu hướng nghề nghiệp
Khác với các phương pháp dự báo truyền thống dựa trên dữ liệu khảo sát hoặc thống kê chính thức, bài viết nghiên cứu sử dụng dữ liệu tin tức trực tuyến như một nguồn tín hiệu theo thời gian thực nhằm nhận diện sớm những thay đổi của thị trường lao động. Kết quả dự báo được hình thành từ sự kết hợp giữa 2 nhóm chỉ tiêu: (1) Tần suất xuất hiện của nghề nghiệp, phản ánh mức độ quan tâm của truyền thông và xã hội đối với từng nghề nghiệp; (2) Điểm cảm xúc, phản ánh xu hướng tích cực hoặc tiêu cực của thông tin liên quan đến nghề nghiệp đó. Việc kết hợp đồng thời hai chỉ tiêu này giúp hạn chế hạn chế của từng chỉ tiêu riêng lẻ. Một nghề nghiệp có tần suất xuất hiện cao chưa chắc có triển vọng tích cực nếu phần lớn thông tin mang sắc thái tiêu cực; ngược lại, những nghề nghiệp ít được đề cập nhưng có điểm cảm xúc cao vẫn có thể phản ánh triển vọng phát triển bền vững trong tương lai. Do đó, kết quả xếp hạng của thuật toán OSRA được sử dụng như một công cụ nowcasting, hỗ trợ nhận diện sớm xu hướng nghề nghiệp trên thị trường lao động Việt Nam.
4. Kết quả nghiên cứu
4.1. Đặc điểm bộ dữ liệu nghiên cứu
Trên cơ sở từ điển nghề nghiệp đã xây dựng, nghiên cứu lựa chọn 11 nhóm nghề nghiệp tiêu biểu, bao gồm: giáo viên, kỹ sư công nghệ thông tin, bác sĩ, nhân viên văn phòng, quản lý, marketing, bán hàng, kỹ sư điện, luật sư, kỹ sư xây dựng và lái xe. Các nhóm nghề này đại diện cho cả khu vực dịch vụ, quản lý, kỹ thuật và các ngành nghề truyền thống, qua đó phản ánh tương đối toàn diện bức tranh nghề nghiệp trên thị trường lao động Việt Nam.
Bảng 2: Từ điển nghề nghiệp
| Nghề nghiệp | Từ khóa cốt lõi và các thuật ngữ liên quan |
| Giáo viên | giáo viên, giảng viên, giáo sư, nhà giáo dục, người huấn luyện, gia sư, trợ giảng, người cố vấn, phó giáo sư, học tập, nhà nghiên cứu, giáo viên khoa học, giáo viên vật lý, giáo viên hóa học, giáo viên sinh học |
| Kỹ sư công nghệ thông tin | kỹ sư công nghệ thông tin, kỹ sư phần mềm, nhà phát triển phần mềm, lập trình viên, người viết mã, nhà khoa học dữ liệu, nhà phân tích dữ liệu, kỹ sư dữ liệu, chuyên viên phân tích nghiệp vụ (BA), kỹ sư hỗ trợ, nhà khoa học máy tính, kỹ sư mạng, nhân viên hỗ trợ CNTT, nhân viên tổng đài, nhà phát triển giao diện người dùng, nhà phát triển phía máy chủ |
| Bác sĩ | bác sĩ, bác sĩ đa khoa, bác sĩ gia đình, bác sĩ nhi khoa, bác sĩ sản khoa, bác sĩ phụ khoa, bác sĩ tim mạch, bác sĩ da liễu, bác sĩ ung bướu, chuyên gia chẩn đoán hình ảnh |
| Nhân viên văn phòng | sĩ quan, viên chức, công chức, nhà quản lý, thư ký, thanh tra, cán bộ chính phủ, nhân viên hải quan, người điều tiết, người giám sát, điều phối viên |
| Quản lý | quản lý, giám đốc, người giám sát, trưởng bộ phận, điều hành cấp cao, trưởng nhóm, người đứng đầu, CEO, quản lý dự án, quản lý vận hành, quản lý nhân sự, quản lý tài chính, quản lý tiếp thị, quản lý bán hàng |
| Tiếp thị | chuyên viên marketing, người sáng tạo nội dung, quảng cáo, xây dựng thương hiệu, quan hệ công chúng, marketing kỹ thuật số, chuyên viên marketing truyền thông xã hội, chuyên gia SEO. |
| Bán hàng | nhân viên bán hàng, người bán hàng, giám đốc bán hàng, đại diện bán hàng, quản lý tài khoản, bán hàng qua điện thoại, thu hút khách hàng, tạo khách hàng tiềm năng |
| Kỹ sư điện | kỹ sư điện, kỹ sư điện tử, kỹ sư điện lực, kỹ sư năng lượng, kỹ sư điều khiển, kỹ thuật viên điện |
| Luật sư | luật sư, cố vấn pháp lý, cố vấn pháp luật, công tố viên |
| Kỹ sư kết cấu | kỹ sư kết cấu, kỹ sư xây dựng dân dụng, kỹ sư thi công, kỹ sư công trường, kỹ sư dự án, kỹ sư cơ sở hạ tầng |
| Lái xe | tài xế, lái xe riêng, tài xế giao hàng, tài xế taxi, người điều hành vận tải, người vận chuyển |
4.2. Mức độ quan tâm của truyền thông đối với các nghề nghiệp
Để đánh giá mức độ quan tâm của truyền thông đối với từng nghề nghiệp, bài viết thống kê số lượng bài báo có chứa các thuật ngữ nghề nghiệp trong toàn bộ kho dữ liệu (Hình 1)
Nguồn: Tính toán của tác giả, 2026.
Kết quả tại Hình 1 cho thấy, mức độ xuất hiện của các nghề nghiệp có sự khác biệt rõ rệt. Nhóm nghề kỹ sư công nghệ thông tin có số lượng bài báo đề cập nhiều nhất (3.375 bài), tiếp theo là marketing (3.351 bài) và bán hàng (3.251 bài). Điều này phản ánh sự quan tâm ngày càng lớn của truyền thông đối với các ngành nghề gắn với chuyển đổi số, thương mại điện tử và nền kinh tế số.
Ở nhóm trung bình, các nghề quản lý (1.106 bài) và giáo viên (972 bài) vẫn duy trì mức độ xuất hiện khá ổn định, cho thấy, đây là những nghề có vai trò quan trọng và thường xuyên được đề cập trong các vấn đề kinh tế – xã hội. Trong khi đó, các nghề, như: bác sĩ (128 bài), kỹ sư xây dựng (687 bài), lái xe (575 bài) và nhân viên văn phòng (473 bài) có số lượng bài viết thấp hơn đáng kể. Kết quả này cho thấy, mức độ quan tâm của truyền thông không hoàn toàn phản ánh quy mô lao động của từng ngành nghề mà còn chịu ảnh hưởng bởi tính thời sự, tốc độ phát triển của ngành và mức độ tác động của chuyển đổi số.
Nhìn chung, phân bố tần suất bài báo cho thấy, truyền thông Việt Nam hiện tập trung nhiều hơn vào các ngành nghề có tốc độ đổi mới nhanh và nhu cầu nhân lực lớn, đặc biệt là các lĩnh vực công nghệ và kinh doanh.
4.3. Tần suất xuất hiện của các thuật ngữ nghề nghiệp
Bên cạnh số lượng bài báo, nghiên cứu tiếp tục thống kê tổng số lần xuất hiện của các thuật ngữ nghề nghiệp trong toàn bộ kho ngữ liệu nhằm phản ánh mức độ quan tâm của truyền thông ở cấp độ chi tiết hơn.
Hình 2: Tần suất xuất hiện của các từ chỉ nghề nghiệp trong ngữ liệu
Nguồn: Tính toán của tác giả, 2026.
Kết quả tại Hình 2 tiếp tục khẳng định xu hướng nổi bật của nhóm nghề công nghệ thông tin. Kỹ sư công nghệ thông tin đạt 35.902 lượt đề cập, cao nhất trong toàn bộ mẫu nghiên cứu. Điều này phản ánh nhu cầu nhân lực lớn cũng như sự phát triển nhanh của ngành công nghệ số tại Việt Nam trong bối cảnh chuyển đổi số đang diễn ra mạnh mẽ. Bên cạnh đó, nhóm bán hàng (28.639 lượt) và marketing (19.327 lượt) cũng ghi nhận số lượt xuất hiện rất cao, cho thấy, các hoạt động kinh doanh, thương mại điện tử và marketing số đang trở thành chủ đề được truyền thông quan tâm thường xuyên.
Các nghề quản lý (13.206 lượt), giáo viên (11.876 lượt) và nhân viên văn phòng (5.713 lượt) duy trì mức độ xuất hiện tương đối ổn định. Ngược lại, bác sĩ (1.327 lượt), kỹ sư điện (1.438 lượt) và kỹ sư xây dựng (2.458 lượt) xuất hiện với tần suất thấp hơn.
Kết quả này cho thấy, mức độ xuất hiện của nghề nghiệp trên truyền thông không chỉ phản ánh nhu cầu tuyển dụng mà còn phản ánh xu hướng phát triển của nền kinh tế, mức độ đổi mới công nghệ và sự quan tâm của xã hội đối với từng lĩnh vực nghề nghiệp.
4.4. Phân tích xu hướng nghề nghiệp thông qua thuật toán OSRA
Sau khi xác định các nghề nghiệp được đề cập trong kho ngữ liệu, bài viết sử dụng thuật toán OSRA để trích xuất các câu liên quan đến từng nghề nghiệp nhằm phục vụ phân tích cảm xúc (Hình 3)
Hình 3: Các câu chỉ hướng nghề nghiệp trong kho ngữ liệu
Nguồn: Tính toán của tác giả, 2026.
Kết quả Hình 3 cho thấy, kỹ sư công nghệ thông tin tiếp tục là nghề nghiệp được nhắc đến nhiều nhất với 35.763 câu, tiếp theo là bán hàng (28.405 câu) và marketing (18.690 câu). Xu hướng này tương đối thống nhất với kết quả về số lượng bài báo và tần suất xuất hiện của các thuật ngữ nghề nghiệp.
Sự tương đồng giữa 3 chỉ số (số bài báo, số lượt xuất hiện và số câu liên quan) cho thấy, các ngành nghề này đang nhận được sự quan tâm ổn định từ truyền thông; đồng thời, phản ánh nhu cầu nhân lực lớn trong bối cảnh nền kinh tế số phát triển nhanh. Tuy nhiên, mức độ được nhắc đến nhiều không đồng nghĩa với triển vọng tích cực. Vì vậy, nghiên cứu tiếp tục phân tích cảm xúc để đánh giá chất lượng thông tin thay vì chỉ dựa trên tần suất xuất hiện.
4.5. Kết quả phân tích cảm xúc đối với các nghề nghiệp
Bảng 3 trình bày điểm cảm xúc trung bình của 11 nhóm nghề nghiệp được xác định từ kho dữ liệu tin tức.
Bảng 3: Điểm cảm xúc của từng nghề nghiệp cụ thể
| Nghề nghiệp | Điểm cảm xúc |
| Giáo viên | 0.9503066772 |
| Bán hàng (Sales) | 0.8744445958 |
| Viên chức | 0.8969425498 |
| Marketing | 0.8953534688 |
| Quản lý | 0.8727816886 |
| Luật sư | 0.702537594 |
| Kỹ sư công nghệ thông tin (IT) | 0.8350992589 |
| Kỹ sư điện | 0.7970346623 |
| Tài xế | 0.8100142579 |
| Bác sĩ | 0.9660848922 |
| Kỹ sư xây dựng | 0.7546044901 |
Kết quả cho thấy, có sự khác biệt đáng kể giữa mức độ quan tâm của truyền thông và cảm xúc của truyền thông đối với từng nghề nghiệp. Nghề nghiệp bác sĩ đạt điểm cảm xúc cao nhất (0,966), tiếp theo là giáo viên (0,950). Mặc dù hai nghề này không có tần suất xuất hiện cao nhất nhưng phần lớn các bài viết đều mang sắc thái tích cực, phản ánh sự đánh giá cao của xã hội đối với các nghề nghiệp có đóng góp trực tiếp cho y tế và giáo dục. Nhóm marketing, viên chức, bán hàng và quản lý đều có điểm cảm xúc dao động từ 0,87 đến 0,90, cho thấy, truyền thông nhìn nhận tương đối tích cực đối với các ngành nghề thuộc lĩnh vực quản trị và kinh doanh. Trong khi đó, kỹ sư công nghệ thông tin chỉ đạt 0,835, thấp hơn đáng kể so với mức độ xuất hiện rất cao trên truyền thông. Điều này cho thấy, các bài báo về ngành công nghệ thông tin không chỉ phản ánh cơ hội việc làm mà còn đề cập nhiều đến áp lực cạnh tranh, yêu cầu kỹ năng, tốc độ đổi mới công nghệ và nguy cơ thay thế bởi AI. Đây là một phát hiện đáng chú ý vì kết quả cho thấy, tần suất truyền thông và cảm xúc truyền thông không luôn đồng biến. Nhóm kỹ sư xây dựng, kỹ sư điện và luật sư có điểm cảm xúc thấp nhất trong số các nghề được khảo sát. Điều này phản ánh mức độ quan tâm của truyền thông đối với các ngành nghề này còn hạn chế hoặc chủ yếu tập trung vào các vấn đề mang tính thách thức.
Tổng hợp các kết quả trên cho thấy, việc kết hợp tần suất xuất hiện với điểm cảm xúc giúp phản ánh đầy đủ hơn xu hướng nghề nghiệp so với chỉ sử dụng một chỉ tiêu đơn lẻ. Đây cũng là cơ sở để thuật toán OSRA thực hiện xếp hạng và dự báo ngắn hạn xu hướng nghề nghiệp trên thị trường lao động.
5. Thảo luận và hàm ý chính sách
Kết quả nghiên cứu cho thấy, việc kết hợp dữ liệu lớn từ tin tức với các kỹ thuật xử lý ngôn ngữ tự nhiên và phân tích cảm xúc có thể cung cấp những tín hiệu hữu ích để dự báo ngắn hạn xu hướng nghề nghiệp trên thị trường lao động Việt Nam.
Một là, kỹ sư công nghệ thông tin là nghề nghiệp được truyền thông quan tâm nhiều nhất, thể hiện nhất quán ở cả số lượng bài báo, tần suất xuất hiện của từ khóa và số lượng câu liên quan. Kết quả này phản ánh xu hướng phát triển mạnh mẽ của kinh tế số, chuyển đổi số và ứng dụng trí tuệ nhân tạo tại Việt Nam, đồng thời phù hợp với các nghiên cứu trước đây về sự gia tăng nhu cầu nhân lực trong lĩnh vực công nghệ (Deming & Silliman, 2024; Zarifhonarvar, 2024). Tuy nhiên, điểm cảm xúc của nghề này chỉ đạt 0,835, thấp hơn nhiều so với nhóm bác sĩ và giáo viên. Điều đó cho thấy, truyền thông không chỉ phản ánh cơ hội việc làm mà còn đề cập đến những thách thức, như: áp lực cạnh tranh, yêu cầu cập nhật kỹ năng liên tục và tác động của AI đối với lao động công nghệ. Đây là minh chứng cho thấy, tần suất xuất hiện của một nghề nghiệp không đồng nghĩa với triển vọng tích cực của nghề nghiệp đó.
Hai là, bác sĩ và giáo viên có điểm cảm xúc cao nhất mặc dù số lượng bài viết và tần suất xuất hiện thấp hơn đáng kể so với các ngành nghề công nghệ và kinh doanh. Kết quả này phản ánh sự đánh giá tích cực và mức độ tín nhiệm cao của xã hội đối với các nghề nghiệp có giá trị phục vụ cộng đồng. Điều này cũng cho thấy, truyền thông không chỉ phản ánh nhu cầu nhân lực mà còn thể hiện nhận thức xã hội đối với vai trò và ý nghĩa của từng nghề nghiệp. Do đó, nếu chỉ sử dụng tần suất xuất hiện để dự báo xu hướng nghề nghiệp sẽ khó phản ánh đầy đủ triển vọng phát triển của thị trường lao động.
Ba là, marketing và bán hàng duy trì đồng thời mức độ quan tâm và điểm cảm xúc ở mức cao. Đây là nhóm nghề vừa có tần suất xuất hiện lớn, vừa có điểm cảm xúc tích cực tương đối ổn định, phản ánh xu hướng mở rộng của thương mại điện tử, kinh tế số và các hoạt động kinh doanh hiện đại. Kết quả này phù hợp với bối cảnh chuyển dịch cơ cấu kinh tế của Việt Nam, trong đó nhu cầu đối với các vị trí liên quan đến marketing số, thương mại điện tử và phát triển thị trường ngày càng gia tăng.
Bốn là, các nghề kỹ thuật chuyên ngành, như: kỹ sư xây dựng, kỹ sư điện và luật sư có cả tần suất xuất hiện và điểm cảm xúc tương đối thấp. Điều này không đồng nghĩa với việc nhu cầu nhân lực của các ngành nghề này suy giảm mà có thể phản ánh mức độ quan tâm của truyền thông đối với các lĩnh vực này chưa cao hoặc ít xuất hiện trong các bản tin thời sự. Phát hiện này cũng cho thấy dữ liệu tin tức phản ánh chủ yếu mức độ quan tâm của truyền thông và xã hội, do đó cần được kết hợp với các nguồn dữ liệu khác để có cái nhìn toàn diện hơn về thị trường lao động.
Từ các kết quả trên có thể thấy, thuật toán Occupational Sentiment Ranking Algorithm (OSRA) không chỉ đo lường mức độ xuất hiện của nghề nghiệp mà còn lượng hóa xu hướng cảm xúc của truyền thông đối với từng nghề nghiệp. Việc kết hợp hai nhóm thông tin này giúp nâng cao khả năng nhận diện sớm các xu hướng mới nổi trên thị trường lao động, đồng thời, hạn chế những sai lệch nếu chỉ dựa trên một chỉ tiêu duy nhất. Đây là điểm khác biệt của nghiên cứu so với nhiều công trình trước đây vốn chủ yếu sử dụng dữ liệu thống kê hoặc dữ liệu tuyển dụng trực tuyến để dự báo nhu cầu lao động.
Nhìn chung, phương pháp dự báo dựa trên dữ liệu lớn kết hợp xử lý ngôn ngữ tự nhiên và phân tích cảm xúc không chỉ có ý nghĩa về mặt học thuật trong việc bổ sung cách tiếp cận dự báo xu hướng nghề nghiệp mà còn có giá trị thực tiễn đối với công tác quản lý, đào tạo và phát triển nguồn nhân lực. Trên cơ sở đó, bài viết đề xuất một số hàm ý chính sách đối với các chủ thể liên quan:
(1) Đối với cơ quan quản lý nhà nước, cần từng bước tích hợp các nguồn dữ liệu lớn từ nền tảng số và mạng xã hội vào hệ thống thông tin thị trường lao động quốc gia nhằm nâng cao năng lực giám sát, dự báo và cảnh báo sớm xu hướng nghề nghiệp. Đồng thời, cần xây dựng cơ chế chia sẻ dữ liệu giữa các cơ quan quản lý, cơ sở giáo dục và doanh nghiệp để hỗ trợ quá trình hoạch định chính sách phát triển nguồn nhân lực phù hợp với yêu cầu của nền kinh tế số.
(2) Đối với các cơ sở giáo dục và đào tạo, cần tăng cường khai thác kết quả dự báo xu hướng nghề nghiệp làm căn cứ rà soát, cập nhật chương trình đào tạo, điều chỉnh quy mô tuyển sinh và phát triển các chương trình đào tạo theo hướng linh hoạt, gắn với nhu cầu thực tiễn của thị trường lao động. Bên cạnh đó, cần chú trọng phát triển các kỹ năng số, kỹ năng phân tích dữ liệu và năng lực thích ứng với sự thay đổi của thị trường việc làm.
(3) Đối với doanh nghiệp, cần chủ động ứng dụng các công cụ phân tích dữ liệu lớn và phân tích cảm xúc để theo dõi xu hướng nghề nghiệp, nhu cầu tuyển dụng và nhận thức của xã hội đối với từng lĩnh vực việc làm. Kết quả phân tích có thể được sử dụng làm cơ sở xây dựng chiến lược tuyển dụng, đào tạo, giữ chân nhân lực và dự báo nhu cầu lao động trong trung và dài hạn.
(4) Đối với người lao động và sinh viên, cần chủ động khai thác các nguồn dữ liệu dự báo thị trường lao động và xu hướng nghề nghiệp để định hướng lựa chọn ngành học, nghề nghiệp và xây dựng kế hoạch phát triển kỹ năng phù hợp. Việc tiếp cận các thông tin dự báo dựa trên dữ liệu lớn sẽ góp phần nâng cao khả năng thích ứng với sự thay đổi của thị trường lao động và gia tăng cơ hội việc làm trong bối cảnh chuyển đổi số.
Tài liệu tham khảo:
Bài viết là sản phẩm đề tài khoa học cấp Bộ “Ứng dụng phương pháp phân tích quan điểm dựa trên dữ liệu lớn từ tin tức để dự báo tình trạng việc làm ở Việt Nam” do Trường Đại họcThương Mại chủ trì, mã số B2025-TMA-02.
Alharbi, F., & Al-Alawi, A. I. (2024). Labor market prediction using machine learning methods: A systematic literature review. In 2024 ASU International Conference on Emerging Technologies for Sustainability and Intelligent Systems (ICETSIS) (pp. 478–482).
Alsultanny, Y. A. (2013). Labor market forecasting by using data mining. Procedia Computer Science, 18.
Chen, G. (2025). The application of text mining and deep learning in identifying the psychological pressure of college students in employment. Discover Artificial Intelligence, 5(1), Article 117.
Ciplak, Z., & Yildiz, K. (2024). Occupational groups prediction in Turkish Twitter data by using machine learning algorithms with multinomial approach. Expert Systems With Applications, 252, Article 124175.
Dawson, N., Rizoiu, M. A., Johnston, B., & Williams, M. A. (2020). Predicting skill shortages in labor markets: A machine learning approach. In 2020 IEEE International Conference on Big Data (Big Data) (pp. 3052–3061).
Deming, D., & Silliman, M. (2024). Skills and human capital in the labor market. SSRN Electronic Journal.
Dhawan, U., & Tyagi, P. (2024). Predicting job opportunities through Twitter data using natural language processing. In 2024 5th International Conference for Emerging Technology (INCET) (pp. 1–7).
Employment (2026). National Statistics Office of Vietnam. https://www.nso.gov.vn/en/employment/
Erbay, H., Yurttakal, A. H., Dağıstanlı, Ö., & Kör, H. (2025). Advising career choice through Twitter data. Multimedia Tools and Applications, 84(26), 31351–31367.
Giabelli, A., Malandri, L., Mercorio, F., Mezzanzanica, M., & Seveso, A. (2021). Skills2Job: A recommender system that encodes job offer embeddings on graph databases. Applied Soft Computing, 101, Article 107049.
Hoang, H. T., Vu, N. H., Nguyen, H. T., Nguyen, H. T. H., & Mai, B. Q. (2024). The impact of innovation on exports of Vietnamese manufacturing and processing enterprises: The moderating role of environmental uncertainty. Cogent Business & Management, 11(1), Article 2341637.
Karakatsanis, I., AlKhader, W., MacCrory, F., Alibasic, A., Omar, M. A., Aung, Z., & Woon, W. L. (2017). Data mining approach to monitoring the requirements of the job market: A case study. Information Systems, 65.
Khousa, E. A., & Atif, Y. (2018). Social network analysis to influence career development. Journal of Ambient Intelligence and Humanized Computing, 9(3).
Khuong, N. V., Thu, P. V. A., Ngan, N. K., Linh, D. V., Tu, N. T. M., & Ngoc, L. T. H. (2025). Determinants of career path of accounting students: Evidence from Vietnam. International Journal of Management in Education, 19(4).
Kopackova, H., Simonova, S., & Reimannova, I. (2024). Digital transformation leaders wanted: How to prepare students for the ever-changing demands of the labor market. The International Journal of Management Education, 22(1), Article 100943.
Mezhoudi, N., Alghamdi, R., Aljunaid, R., Krichna, G., & Düştegör, D. (2023). Employability prediction: A survey of current approaches, research challenges and applications. Journal of Ambient Intelligence and Humanized Computing, 14(3).
Ngo, Q. D., Nguyen, Q. H., & Vu, C. (2025). Envisioning future workforce adaptability: A multi-layered analysis of skills ecosystems in Vietnam’s emerging economy. Futures & Foresight Science, 7(1), e70000.
Nguyen, Q. H., Nguyen, M. V. T., & Van Nguyen, K. (2025). New benchmark dataset and fine-grained cross-modal fusion framework for Vietnamese multimodal aspect-category sentiment analysis. Multimedia Systems, 31(1), Article 4.
Nguyen-Phung, H. T., Kohara, M., & Er, S. (2024). The impact of ICT development on female employment and household’s well-being in Vietnam. The Japanese Economic Review, 75(4), 951 – 978.
Quỳnh Chi (2026). Cả nước có 52,7 triệu lao động có việc làm trong quý II/2026. https://laodong.vn/cong-doan/ca-nuoc-co-527-trieu-lao-dong-co-viec-lam-trong-quy-ii2026-1730057.ldo
Ravichandran, N., Inaganti, A. C., & Muppalaneni, R. (2023). AI-driven sentiment analysis for employee engagement and retention. Journal of Computing Innovations and Applications, 1(1), 1–9.
Riauwindu, P., & Zlatev, V. (2024). Exploring analytics-related occupations: A data mining perspective on US labor market insights for analytics students and graduates. In Entrepreneurship, innovation, and technology: A holistic analysis of growth factors (pp. 409–438).
Senthurvelautham, S., & Senanayake, N. (2023). A machine learning-based job forecasting and trend analysis system to predict future job markets using historical data. In 2023 IEEE 8th International Conference for Convergence in Technology (I2CT) (pp. 1 – 7).
Thu, H. N. T., Minh, T. T., Ngoc, T. N. T., Nguyen, B. G., & Ngoc, L. N. (2021). Measuring satisfaction and loyalty of guests based on Vietnamese hotel online reviews. International Journal of E-Entrepreneurship and Innovation (IJEEI), 11(2).
Todd, A., Bowden, J., & Moshfeghi, Y. (2024). Text-based sentiment analysis in finance: Synthesising the existing literature and exploring future directions. Intelligent Systems in Accounting, Finance and Management, 31(1), e1549.
Tran Hai, L., Hoang Tieu, B., & Nguyen Vinh, Q. (2025). Predicting the employment rate of students after graduation using machine learning methods. In International Conference on Computing and Information Technology (pp. 1–10).
Tran, T. Q., Vu, N. B. T., Van Le, D., & Vu, L. H. (2025). Vertical and horizontal job-education mismatches and wages: A quantitative analysis of university graduates in Vietnam. International Journal of Educational Development, 117, Article 103323.
Trinh, T. M., Le, T. T. K., Le, K. M. A., Nguyen, C., & Tran, T. N. (2024). Shaping choices: Factors influencing Vietnamese high school students’ transition to higher education. Higher Education.
Wang, P., Zheng, Y., Zhang, M., et al. (2024). Methods for measuring career readiness of high school students: Based on multidimensional item response theory and text mining. Humanities and Social Sciences Communications, 11, Article 922.
Xing, L., Quan, W., & Huan, C. (2023). Construction and analysis of college students’ career expectation model based on data mining. In International Conference on Educational Technology and Administration (pp. 452–461).
Yang, T. C., & Chang, C. Y. (2023). Using institutional data and messages on social media to predict the career decisions of university students: A data-driven approach. Education and Information Technologies, 28.
Zarifhonarvar, A. (2024). Economics of ChatGPT: A labor market view on the occupational impact of artificial intelligence. Journal of Electronic Business & Digital Economics, 3(2).
Zhang, F. (2025). Curriculum engineering through AI: A neural architecture for aligning educational outcomes with labor market dynamics. Journal of Computational Methods in Sciences and Engineering, 14727978251361837.
Zhou, H., Wang, L., Cao, Y., & Li, J. (2025). The impact of artificial intelligence on labor market: A study based on bibliometric analysis. Journal of Asian Economics, 98, Article 101926.
