Ein Skillbegriff allein ist noch kein Kompetenznachweis
„Problemlösung“, „Datenkompetenz“ oder „Teamfähigkeit“ finden sich in Stellenprofilen, Curricula und Kompetenzmodellen auf der ganzen Welt. Trotzdem ist keineswegs sicher, dass verschiedene Organisationen, Branchen oder Länder darunter dasselbe verstehen. Ein identisches Label kann andere Tätigkeiten, Anspruchsniveaus und Nachweise bezeichnen. Umgekehrt können unterschiedlich formulierte Skills in der Praxis nahezu dasselbe Verhalten beschreiben.
Genau hier setzt der veröffentlichte Arbeitsstand des Open Skills Consortium an. Das OSC beschreibt eine weltweit anschlussfähige Knowledge-Graph-Ontologie, in der Skills nicht nur als Begriffe, sondern als Beziehungen zwischen Tätigkeiten, Kontexten, Qualifikationen, Evidenzen und beobachtbarem Verhalten modelliert werden. Vektorbasierte Verfahren sollen semantisch ähnliche Inhalte über Systeme und Sprachen hinweg auffindbar machen. Behaviour Anchors sollen konkretisieren, woran unterschiedliche Niveaus eines Skills in der Praxis erkennbar sind. Fachleute prüfen die vorgeschlagenen Zuordnungen, während eine GraphRAG-fähige Zugriffsschicht nachvollziehbare, quellengebundene Antworten ermöglichen soll.
Der Ansatz folgt damit der im SupraTix-Forschungsportfolio formulierten Kette:
Workflowereignis → Skillhypothese → Menschprüfung → Lernintervention → Outcome
Behaviour Anchors übersetzen abstrakte Skills in beobachtbares Handeln
Kompetenzmodelle entfalten ihren Wert erst, wenn abstrakte Begriffe in konkrete Leistungserwartungen übersetzt werden. Campion und Kollegen beschreiben dafür 20 Best Practices, die Analyse, Strukturierung, Darstellung und Nutzung von Kompetenzinformationen verbinden. Kompetenzmodellierung ergänzt dabei die klassische Arbeits- und Tätigkeitsanalyse, ersetzt sie aber nicht [Campion et al., 2011].
Die Idee verhaltensbezogener Anker reicht bis zur Entwicklung von Behaviorally Anchored Rating Scales zurück. Smith und Kendall schlugen vor, mehrdeutige Bewertungsskalen durch konkrete, aus der Praxis gewonnene Verhaltensbeispiele zu verankern [Smith & Kendall, 1963]. Das OSC überträgt dieses Grundprinzip nicht einfach als Personalbeurteilungsskala, sondern als semantische Ebene in eine Skills-Ontologie: Ein Behaviour Anchor beschreibt beobachtbares Handeln, den Anwendungskontext, das Anspruchsniveau und die zulässige Evidenz.
Ein rein illustratives, noch nicht fachlich freigegebenes Beispiel für den Skill „technische Störungen diagnostizieren“ könnte so aussehen:
Auf einem grundlegenden Niveau identifiziert eine Person dokumentierte Fehlercodes und führt einen vorgegebenen Prüfschritt korrekt aus.
Auf einem fortgeschrittenen Niveau priorisiert sie auf Basis von Messdaten mehrere Fehlerhypothesen, prüft diese systematisch und dokumentiert den Entscheidungsweg.
Auf einem vertieften Niveau entwickelt sie einen systemübergreifenden Prüfplan, widerlegt alternative Ursachen und überführt die Erkenntnisse in verbesserte Diagnoseverfahren.
Solche Anker schaffen noch keine Objektivität. Sie machen aber sichtbar, was bewertet werden soll. Entscheidend ist die Qualität der fachlichen Prüfung. In einem Quasi-Experiment verbesserten geschulte Beurteilende die diskriminante Validität, Übereinstimmung und Genauigkeit von Kompetenzbewertungen gegenüber einer ungeschulten Kontrollgruppe. Die besten Ergebnisse erzielten geschulte Personen mit zusätzlicher Erfahrung in der Kompetenzmodellierung [Lievens & Sanchez, 2007]. Expertenvalidierung ist deshalb im OSC kein nachträglicher Qualitätscheck, sondern Bestandteil des Datenmodells und des Freigabeprozesses.
Warum die Ontologie eine Vektorschicht benötigt
Klassische Ontologien sind stark darin, explizite Bedeutungen und Beziehungen abzubilden. Sie können beispielsweise festhalten, dass ein Skill für eine Tätigkeit erforderlich ist, durch ein Lernergebnis aufgebaut oder durch eine bestimmte Arbeitsprobe belegt werden kann. Schwieriger wird es, wenn Millionen von Texten, Synonymen, regionalen Formulierungen und neuen Skillbegriffen abgeglichen werden sollen.
Vektorbasierte Repräsentationen ergänzen den Graphen um eine statistische Ähnlichkeitsschicht. Frühe Knowledge-Graph-Embedding-Verfahren wie TransE zeigten, dass Entitäten und Relationen mehrrelationaler Daten in niedrigdimensionalen Vektorräumen modelliert und für Linkprognosen genutzt werden können [Bordes et al., 2013]. Spätere Arbeiten zur Entity Alignment kombinierten Namen, Relationen und Attribute, um entsprechende Entitäten zwischen verschiedenen Knowledge Graphs robuster zuzuordnen [Zhang et al., 2019].
Für eine globale Skills-Infrastruktur ist zusätzlich die sprachübergreifende Ausrichtung entscheidend. Reimers und Gurevych zeigten, wie Satz-Embeddings über 50 Sprachen hinweg in einen gemeinsamen Vektorraum überführt werden können, sodass Übersetzungen und semantisch ähnliche Aussagen näher zusammenliegen [Reimers & Gurevych, 2020].
Für das OSC folgt daraus eine zentrale Regel:
Vektorähnlichkeit erzeugt einen Zuordnungsvorschlag, aber keine semantische Wahrheit.
Zwei Skillbeschreibungen können im Vektorraum nah beieinanderliegen und trotzdem unterschiedliche Verantwortungsgrade, Sicherheitsanforderungen oder berufliche Kontexte haben. Die verbindliche Bedeutung bleibt deshalb im versionierten Knowledge Graph mit expliziten Relationen, Quellen, Gültigkeitsbereichen und Freigabestatus verankert.
Automatische Skill-Erkennung bleibt ein Vorschlagsverfahren
Die Forschung zur Skill-Extraktion zeigt sowohl das Potenzial als auch die Grenzen automatisierter Verfahren. Der peer-reviewte SkillSpan-Datensatz umfasst 14.500 Sätze und mehr als 12.500 von Domain-Expertinnen und -Experten annotierte Skill-Spans aus englischen Stellenanzeigen. Domänenadaptierte Sprachmodelle schnitten signifikant besser ab als nicht adaptierte Baselines [Zhang et al., 2022]. Das unterstreicht, dass Skill-Erkennung nicht nur ein allgemeines Sprachproblem ist, sondern domänenspezifische Daten und klare Annotationsregeln benötigt.
Auch die automatische Strukturierung ganzer Kompetenzmodelle ist noch kein Ersatz für menschliche Modellierungsarbeit. In einer explorativen Studie wurden menschlich entwickelte Kompetenzrahmen überwiegend als kohärenter bewertet als mit Natural Language Processing erzeugte Rahmen. Erst beim komplexesten untersuchten Modell war kein erkennbarer Vorteil der menschlichen Strukturierung mehr vorhanden [Garman et al., 2021]. Für das OSC spricht das für ein Human-in-the-Loop-Verfahren: Maschinen skalieren Suche, Clustering und Vorschläge; qualifizierte Fachleute entscheiden über Bedeutung, Niveau, Kontext und Freigabe.
Die vorgeschlagene OSC-Architektur verbindet fünf Ebenen
Der veröffentlichte Arbeitsstand lässt sich als hybride Architektur beschreiben:
Explizite Ontologie und Knowledge Graph
Skills, Tätigkeiten, Rollen, Qualifikationen, Lernangebote, Nachweise, Behaviour Anchors und Quellen erhalten stabile Identitäten und typisierte Beziehungen. Jede Änderung bleibt versionierbar und nachvollziehbar.
Multilinguale Vektor- und Alignment-Schicht
Embeddings identifizieren semantisch ähnliche Beschreibungen, Übersetzungsvarianten, mögliche Dubletten und neue Zuordnungskandidaten. Sie erleichtern das Crosswalking zwischen bestehenden Taxonomien, ersetzen aber keine fachliche Äquivalenzentscheidung.
Behaviour-Anchor- und Evidenzschicht
Skills werden mit beobachtbaren Handlungen, Anwendungskontexten, Anspruchsniveaus und zulässigen Evidenzarten verbunden. Die Ontologie beschreibt damit nicht nur, wie ein Skill heißt, sondern woran seine Anwendung erkennbar ist.
Expertenvalidierung und Governance
Domain Owner prüfen Vorschläge anhand definierter Kriterien. Freigaben, Ablehnungen, Dissens, Evidenz, Sprachversion und Gültigkeitsbereich werden als prüfbare Provenienz gespeichert. Hochwirksame Entscheidungen dürfen nicht allein auf einer freien LLM-Einstufung beruhen.
GraphRAG-fähige Zugriffs- und Schlusslogik
Nutzerfragen werden nicht nur gegen isolierte Textpassagen, sondern gegen relevante Teilgraphen, Beziehungen und Quellen beantwortet. Die generierte Antwort soll auf die verwendeten Knoten, Kanten und Evidenzen zurückverweisen können.
Was GraphRAG leisten kann – und was nicht
Retrieval-Augmented Generation verbindet Sprachmodelle mit extern abrufbarem Wissen. Die grundlegende RAG-Forschung adressiert dabei ausdrücklich Probleme wie aktualisierbares Wissen und Provenienz [Lewis et al., 2020].
Neuere peer-reviewte Arbeiten erweitern dieses Prinzip auf Graphstrukturen. G-Retriever ruft für Fragen relevante Teilgraphen ab, hebt diese hervor und zeigte auf mehreren Textgraph-Aufgaben Vorteile gegenüber Vergleichsverfahren sowie eine Verringerung von Halluzinationen [He et al., 2024]. KG²RAG nutzt Beziehungen zwischen Wissenselementen, um semantisch gefundene Startpassagen graphbasiert zu erweitern und zu organisieren. Auf HotpotQA-Varianten verbesserte das Verfahren Retrieval- und Antwortqualität [Zhu et al., 2025].
Für das OSC ist GraphRAG deshalb vor allem eine beleggebundene Zugriffsschicht. Eine mögliche Frage wäre: „Welche beobachtbaren Handlungen belegen den Skill Prozessdiagnostik auf fortgeschrittenem Niveau, in welchen Qualifikationsrahmen kommt er vor und welche Lernangebote schließen eine festgestellte Lücke?“ Das System könnte dafür Skillknoten, Behaviour Anchors, Qualifikationen, Evidenztypen und Lernangebote als zusammenhängenden Teilgraphen abrufen.
GraphRAG garantiert jedoch weder Wahrheit noch Fairness. Fehlerhafte Kanten, unzureichende Quellen oder kulturell verzerrte Anker können lediglich besonders überzeugend wiedergegeben werden. Deshalb müssen Retrieval-Abdeckung, Quellenpräzision, Antworttreue und die korrekte Darstellung von Unsicherheit separat evaluiert werden.
„Global“ bedeutet validierbar, nicht überall identisch
Eine multilinguale Ontologie ist nicht automatisch weltweit gültig. Übersetzungsgleichheit beweist weder kulturelle Gleichwertigkeit noch identische berufliche Anforderungen. Forschung zur Messinvarianz zeigt, dass Gruppenvergleiche voraussetzen, dass ein Konstrukt in den verglichenen Gruppen tatsächlich in hinreichend gleicher Weise gemessen wird [Vandenberg & Lance, 2000].
Der Begriff „globale Behaviour Anchors“ sollte deshalb nicht als universelle Einheitsbeschreibung verstanden werden. Sinnvoller ist ein gemeinsamer, offener Kern mit kontrollierten lokalen Ausprägungen:
ein global referenzierbares Skillkonzept,
sprach- und regionsspezifische Bezeichnungen,
kontextabhängige Behaviour Anchors,
dokumentierte Entsprechungen und Abweichungen,
getrennte Freigaben je Fachdomäne, Sprache und Rechts- oder Bildungskontext,
empirische Prüfung, bevor Ergebnisse zwischen Gruppen verglichen werden.
So kann Interoperabilität entstehen, ohne lokale Unterschiede unsichtbar zu machen.
Forschungs- und Validierungsprogramm für den nächsten Schritt
Die konkrete OSC-Architektur ist noch nicht als Gesamtsystem peer-reviewt oder weltweit validiert. Ein belastbarer Pilot sollte deshalb mindestens fünf Prüfpfade verbinden:
Semantisches Alignment
Fachleute bewerten, ob die vom Vektormodell vorgeschlagenen Zuordnungen tatsächlich äquivalent, verwandt oder nur oberflächlich ähnlich sind. Gemessen werden unter anderem Precision@k, Recall@k und Fehlertypen je Sprache und Domäne.
2. Qualität der Behaviour Anchors
Fachgruppen erzeugen und prüfen beobachtbare Anker. Bewertet werden Eindeutigkeit, Kontextangemessenheit, Anspruchsniveau, Evidenzierbarkeit und Übereinstimmung zwischen Beurteilenden.
3. Sprach- und Kulturvalidierung
Übersetzte Anker werden nicht nur sprachlich rückübersetzt, sondern in realen beruflichen Kontexten geprüft. Wo Vergleiche vorgesehen sind, wird Messinvarianz untersucht.
4. Graph- und Provenienzqualität
Jede relevante Aussage muss auf freigegebene Knoten, Relationen und Quellen zurückführbar sein. Versionen, Konflikte und Unsicherheiten bleiben sichtbar.
5. GraphRAG-Evaluation
Das System wird mit fachlichen Fragen getestet. Relevante Kriterien sind Retrieval-Abdeckung, Quellen- und Zitationspräzision, Antworttreue, Umgang mit widersprüchlicher Evidenz und die Fähigkeit, bei unzureichender Grundlage keine scheinbar sichere Antwort zu erzeugen.
Der mögliche Mehrwert für das Skills-Ökosystem
Eine solche Infrastruktur könnte verschiedene Akteure auf einer gemeinsamen, aber überprüfbaren Datengrundlage verbinden:
Unternehmen könnten Rollenprofile mit konkreten Tätigkeiten, Evidenzen und Lernpfaden verknüpfen.
Bildungsanbieter könnten Lernergebnisse präziser auf beobachtbares berufliches Handeln beziehen.
Kammern und Anerkennungsstellen könnten Gemeinsamkeiten und Unterschiede zwischen Qualifikationen nachvollziehbar darstellen, ohne automatisch Gleichwertigkeit zu behaupten.
Arbeitsmarktinstitutionen könnten neue Skillmuster früher erkennen und ihre Zuordnung transparent prüfen.
Beschäftigte und Lernende könnten portablere Nachweise erhalten, die nicht nur ein Label, sondern Kontext und Evidenz transportieren.
HR-Tech-, LMS- und Talent-Marketplace-Anbieter könnten auf versionierte, maschinenlesbare und quellengebundene Skillbeziehungen zugreifen.
Aktueller Status und Einladung zum fachlichen Review
Der beschriebene Ansatz ist ein veröffentlichter OSC-Arbeitsstand und Teil der Forschungsagenda zu Evidence-linked Skills Intelligence und dem SupraGraph Skills Twin. Die wissenschaftliche Literatur stützt wesentliche Bausteine: verhaltensbezogene Kompetenzbeschreibung, Expertenvalidierung, multilinguale Embeddings, Knowledge-Graph-Alignment sowie graphgestütztes Retrieval. Sie belegt noch nicht, dass die konkrete OSC-Implementierung bereits global valide oder produktionsreif ist.
Der nächste sinnvolle Schritt ist ein strukturierter Review- und Beteiligungsweg mit Expertinnen und Experten aus Berufsbildung, Kompetenzdiagnostik, Arbeitspsychologie, Anerkennung, Ontologieentwicklung, Knowledge Graphs, multilingualer KI und Arbeitsmarktforschung. Gemeinsam soll geprüft werden, welche Behaviour Anchors global referenzierbar sind, wo lokale Varianten benötigt werden und welche Evidenz für eine belastbare Freigabe ausreicht.
Das Ziel ist nicht die nächste geschlossene Skillliste. Das Ziel ist eine offene, nachvollziehbare und lernfähige Infrastruktur, die Skills über Systeme und Sprachen hinweg verbindet, ohne Ähnlichkeit mit Gleichwertigkeit zu verwechseln.
Quellen
1. Smith, P. C., & Kendall, L. M. (1963). Retranslation of expectations: An approach to the construction of unambiguous anchors for rating scales. Journal of Applied Psychology, 47(2), 149–155. [DOI](https://doi.org/10.1037/h0047060)
2. Lievens, F., & Sanchez, J. I. (2007). Can training improve the quality of inferences made by raters in competency modeling? A quasi-experiment. Journal of Applied Psychology, 92(3), 812–819. [DOI](https://doi.org/10.1037/0021-9010.92.3.812)
3. Campion, M. A., et al. (2011). Doing competencies well: Best practices in competency modeling. Personnel Psychology, 64(1), 225–262. [DOI](https://doi.org/10.1111/j.1744-6570.2010.01207.x)
4. Vandenberg, R. J., & Lance, C. E. (2000). A review and synthesis of the measurement invariance literature. Organizational Research Methods, 3(1), 4–70. [DOI](https://doi.org/10.1177/109442810031002)
5. Garman, A. N., et al. (2021). Developing competency frameworks using natural language processing: An exploratory study. The Journal of Competency-Based Education, 6(3), e01256. [DOI](https://doi.org/10.1002/cbe2.1256)
6. Bordes, A., et al. (2013). Translating embeddings for modeling multi-relational data. Advances in Neural Information Processing Systems 26. [Proceedings](https://proceedings.neurips.cc/paper_files/paper/2013/hash/1cecc7a77928ca8133fa24680a88d2f9-Abstract.html)
7. Zhang, Q., et al. (2019). Multi-view knowledge graph embedding for entity alignment. IJCAI 2019, 5429–5435. [DOI](https://doi.org/10.24963/ijcai.2019/754)
8. Reimers, N., & Gurevych, I. (2020). Making monolingual sentence embeddings multilingual using knowledge distillation. EMNLP 2020, 4512–4525. [DOI](https://doi.org/10.18653/v1/2020.emnlp-main.365)
9. Lewis, P., et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems 33. [Proceedings](https://proceedings.neurips.cc/paper/2020/hash/6b493230205f780e1bc26945df7481e5-Abstract.html)
10. Zhang, M., et al. (2022). SkillSpan: Hard and Soft Skill Extraction from English Job Postings. NAACL 2022, 4962–4984. [DOI](https://doi.org/10.18653/v1/2022.naacl-main.366)
11. He, X., et al. (2024). G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering. Advances in Neural Information Processing Systems 37. [Proceedings](https://proceedings.neurips.cc/paper_files/paper/2024/hash/efaf1c9726648c8ba363a5c927440529-Abstract-Conference.html)
12. Zhu, X., et al. (2025). Knowledge Graph-Guided Retrieval Augmented Generation. NAACL 2025, 8912–8924. [DOI](https://doi.org/10.18653/v1/2025.naacl-long.449)
