事实
BLS工资、就业增长、岗位机会等原始值。
方法可以复杂，解释必须简单。
FutureCareer严格区分：事实、比较分、研究推断、个性化偏好。
比较分
把同口径指标转成0–100或职业百分位。
研究推断
相关、回归、验证；不自动升级成因果。
先确认数据边界
当前是美国职业数据版。
BLS、O*NET与RPLS均用于美国职业市场；工资单位为美元/年。中国用户可以把它作为职业结构、AI变化和国际趋势参考，但不能把美国工资、岗位增长直接解释为中国本地结果。
BLS、O*NET与RPLS均用于美国职业市场；工资单位为美元/年。中国用户可以把它作为职业结构、AI变化和国际趋势参考，但不能把美国工资、岗位增长直接解释为中国本地结果。
核心公式
Growth
(Employment_2035 − Employment_2025) / Employment_2025
Opening Rate
Annual Openings / Employment_2025
Percentile Score
100 × PercentileRank(x)
Market Opportunity
0.55 × GrowthScore + 0.45 × OpeningScore
Human Structure Beta
mean(Physicality, Judgment, Interaction, Responsibility, Context)
Career Evidence Index Beta
0.35 × Market + 0.25 × Wage + 0.20 × HumanStructure + 0.20 × FutureSkillAlignment
Personal Fit Beta
Σ(user weight_k × occupation score_k) / Σ(user weights)
未来技能匹配 v1
WEF 2025给出“上升最快的技能”排序；BLS 2025提供职业技能百分位。v1只使用能明确映射的技能，并把映射置信度写进权重：
FutureSkill = Σ(BLS percentile × WEF rank weight × mapping confidence) / Σ(effective weights)
例如Creative thinking → Creativity and innovation；Analytical thinking → Critical and analytical thinking。Curiosity/lifelong learning、Environmental stewardship当前没有足够直接的BLS对应，因此不进入分数。
Human Structure五维
Physicality：一般体力活动、搬运物体、操作车辆/设备
Judgment：决策与解决问题、决策频率、决策自由度
Interaction：与他人接触、协调领导、客户公众、面对面讨论、冲突协商
Responsibility：错误后果、决策对同事/组织结果的影响
Context：冲突情境、决策自由度、决策频率
所有代理变量先在职业集合内转成百分位，再形成维度。平行分析提示两因子结构，因此总分继续标Beta。
公式怎么一步步得到？
1. Growth Score
GrowthRaw = (Employment_2035 − Employment_2025) / Employment_2025
GrowthScore = 100 × PercentileRank(GrowthRaw)
GrowthScore = 100 × PercentileRank(GrowthRaw)
2. Opening Score
OpeningRate = AnnualOpenings / Employment_2025
OpeningScore = 100 × PercentileRank(OpeningRate)
OpeningScore = 100 × PercentileRank(OpeningRate)
3. Market Opportunity
Market = 0.55 × GrowthScore + 0.45 × OpeningScore
55/45 是公开的 Beta 产品权重，不是统计估计参数；因此必须做敏感性分析，不能把它包装成自然定律。
4. Wage Position
WageScore = 100 × PercentileRank(BLS Median Annual Wage 2025)
5. Human Structure
Dimension = mean(percentile-ranked O*NET proxy variables)
HumanStructure = mean(Physicality, Judgment, Interaction, Responsibility, Context)
HumanStructure = mean(Physicality, Judgment, Interaction, Responsibility, Context)
6. Future Skill Alignment v1
EffectiveWeight_j = WEFRankWeight_j × MappingConfidence_j
FutureSkill = Σ(BLS_skill_percentile × EffectiveWeight) / Σ(EffectiveWeight)
FutureSkill = Σ(BLS_skill_percentile × EffectiveWeight) / Σ(EffectiveWeight)
7. CEI Beta
CEI = 0.35 × Market + 0.25 × Wage + 0.20 × HumanStructure + 0.20 × FutureSkill
只有四个组成部分都存在时才计算 CEI；缺失值不会被当作0或50。
8. Personal Fit Beta
PersonalFit = Σ(w_k × S_k) / Σ(w_k), 仅对该职业实际存在的指标重新归一化权重
Personal Fit 是偏好匹配，不是个人成功概率。
数据来源
O*NET 31.0 ↗ — 职业任务、技能、活动、情境
BLS 2025–2035 ↗ — 就业、岗位、工资、技能
ILO 2025 ↗ — GenAI潜在暴露
Anthropic Economic Index ↗ — 观察AI使用
WEF 2025 ↗ — 未来技能方向
边界
AI Exposure ≠ 失业概率 · 相关 ≠ 因果 · SOC2历史背景 ≠ SOC6具体职业历史 · BLS预测 ≠ 已发生的未来。
完整复现：GitHub → docs/METRIC_DICTIONARY.md · PROCESSING_LOG.md · PROVENANCE.md · data/WEF_BLS_Skill_Crosswalk_v1.csv