Des publications sur les réseaux sociaux peuvent servir de prédicteur fiable des taux de chômage, plusieurs jours voire deux semaines avant la publication des données officielles, selon une étude récente. Lorsqu’ils sont confrontés à des difficultés d’emploi, de nombreuses personnes partagent leurs préoccupations en ligne. Une équipe dirigée par le chercheur Sam Fraiberger a développé un modèle d’intelligence artificielle capable de détecter ces signaux dans les messages publiés sur Twitter. Le modèle, baptisé JoblessBERT, repose sur une architecture de type transformateur et a été entraîné sur un ensemble de données comprenant 31,5 millions de publications de Twitter datant de 2020 à 2022. Il est particulièrement efficace pour identifier des mentions liées au chômage, même lorsqu’elles sont formulées avec des tournures informelles, des raccourcis ou des fautes d’orthographe, comme « I needa job ! ». Pour compenser le biais de représentativité du public de Twitter, les chercheurs ont appliqué des ajustements démographiques afin de mieux refléter la population générale. Le modèle a permis de repérer près de trois fois plus de signaux d’insécurité professionnelle que les méthodes précédentes basées sur des règles fixes, tout en maintenant une précision élevée. En matière de prévision des demandes d’allocations chômage aux États-Unis, il a réduit les erreurs de prévision de 54,3 % par rapport aux prévisions du consensus industriel. Cette performance s’est avérée particulièrement remarquable pendant la crise sanitaire du COVID-19 : le modèle a détecté la hausse massive des demandes d’aide au chômage en mars 2020, plusieurs jours avant que les données officielles ne soient publiées. Selon les auteurs, cette approche démontre le potentiel des modèles d’intelligence artificielle combinés aux données issues des réseaux sociaux pour enrichir les statistiques économiques traditionnelles. Elle offre une vision en temps réel des tendances du marché du travail, ce qui peut être d’une grande aide pour les décideurs face aux crises économiques. Cette méthode ouvre la voie à des outils prédictifs plus rapides et plus sensibles, capables de réagir aux changements structurels du marché de l’emploi bien avant les indicateurs officiels.