زبان‌شناس محاسباتی
Computational Linguist
زبان‌شناس محاسباتی (Computational Linguist) دانش زبان‌شناسی را به قاعده، داده و معیار ارزیابی تبدیل می‌کند تا سیستم‌های زبانی، که امروز بیشتر مدل‌های زبانی بزرگ (LLM) هستند، درست‌تر کار کنند: پدیده‌های زبانی را صورت‌بندی می‌کند، دستورالعمل برچسب‌گذاری می‌نویسد، دیتاست آموزش و ارزیابی می‌سازد، پرامپت طراحی می‌کند و خطاهای مدل را تحلیل می‌کند. در آگهی‌های صنعتی ۲۰۲۶ بیشتر این کار دادهٔ زبانی و ارزیابی LLM است و Python در حد اسکریپت‌نویسی خواسته می‌شود؛ نسخه‌های فنی‌ترِ آن اغلب با عنوان Language Engineer آگهی می‌شوند و نقش‌های پژوهشی معمولاً دکترا می‌خواهند. خودِ عنوان Computational Linguist در آگهی‌ها کم‌تعداد است.
مقدمه و تعریف شغل
زبان‌شناس محاسباتی کسی است که زبان را برای ماشین قابل اندازه‌گیری و قابل پیاده‌سازی می‌کند. برنامهٔ کارشناسی ارشد Computational Linguistics دانشگاه واشینگتن این رشته را ترکیبی از زبان‌شناسی، مهندسی نرم‌افزار، هوش مصنوعی و مهندسی برق معرفی می‌کند که به ماشین‌ها کمک می‌کند زبان انسان را پردازش کنند. در آگهی‌های ۲۰۲۶ این کار بیشتر حول مدل‌های زبانی بزرگ می‌چرخد: Preply از زبان‌شناس محاسباتی می‌خواهد پدیده‌های زبانی را به قاعده، طبقه‌بندی و معیار برچسب‌گذاری تبدیل کند، پرامپت طراحی کند، دیتاست آموزش و ارزیابی بسازد و رفتار مدل را با روش‌های کیفی و کمی بسنجد. خروجی اصلی کار بیشتر داده، دستورالعمل و ارزیابی است تا خود مدل.
این عنوان قدیمی‌تر از LLM هاست، اما بازارش کوچک و پراکنده است. ITJobsWatch در بریتانیا در شش ماه منتهی به ۲۲ اکتبر ۲۰۲۶ فقط یک آگهی استخدام دائم شمرده که مهارت Computational Linguistics را خواسته است. در جستجوی ما در اکتبر ۲۰۲۶ چهار آگهی باز با همین عنوان دقیق پیدا شد: دو تا کار داده و ارزیابی LLM بودند (Preply و یک قرارداد ۱۲ ماهه از طریق Cypress HCM)، یکی طراحی و تست دستیار گفتگو (Omilia) و یکی پژوهشی با شرط دکترا (ARLIS در دانشگاه مریلند). کار مشابه بیشتر با عنوان‌های دیگری آگهی می‌شود: Language Engineer در Apple و Microsoft، Linguist در آگهی‌های قراردادی مثل SPECTRAFORCE و Cognitive Linguist در TCS. آگهی‌های Language Engineer آمازون که در نتایج جستجو دیده می‌شدند، هنگام بررسی ما بسته شده بودند. فهرستی که دانشگاه واشینگتن از عنوان‌های شغلی فارغ‌التحصیلان این رشته آورده هم همین تنوع را نشان می‌دهد: از Analytical Linguist و Language Data Specialist تا Language Engineer، Data Scientist و NLP Engineer.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک زبان‌شناس محاسباتی
دستورالعمل برچسب‌گذاری
سندی که می‌گوید هر نمونه را چطور برچسب بزنند و با موارد مرزی چه کنند. آگهی Cypress HCM «تبدیل نیازهای زبانی به دستورالعمل روشن برای برچسب‌گذاری» را شرط کرده و SPECTRAFORCE دستورالعملی می‌خواهد که برچسب‌زن‌ها با آن بتوانند دادهٔ زبانی را یکدست و باکیفیت برچسب بزنند.
مجموعهٔ آزمون و ارزیابی
TELUS Digital برای دستیار هوشمند به زبان لهستانی آزمون‌هایی می‌خواهد که کاربرد محلی، فرهنگ، اصطلاح و موارد واقعی را نشان دهند، «نه ترجمهٔ تحت‌اللفظی از انگلیسی». Preply هم دیتاست‌های نماینده برای آموزش، کالیبره کردن و ارزیابی می‌خواهد.
پرامپت و context برای دستیار
Microsoft از Senior Language Engineer تیم Copilot می‌خواهد context و پرامپت‌هایی را بنویسد که مدل را برای کاربردهای عاطفی و فکری هدایت و ارزیابی می‌کنند.
تحلیل خطای مدل
Preply از زبان‌شناس می‌خواهد حالت‌های خطا و مشکلات کیفیت را بررسی کند و اصلاح را در پرامپت، مدل، داده و پردازش‌های بعدی اعتبارسنجی کند؛ M47 هم می‌خواهد ریشهٔ خطا با کد و تحلیل لاگ پیدا شود، نه با بازبینی دستی.
قاعده‌های زبانی برای تشخیص
در Bodyguard.ai قاعده‌های مدیریت محتوا از مجموعهٔ کلیدواژه‌ها، بافت دستوری و ظرافت‌های احساسی ساخته شده‌اند و زبان‌شناس آن‌ها را می‌سازد و با تیم مهندسی تنظیم می‌کند.
جریان گفتگو و مدل معنایی دستیار
Omilia برای سفارش صوتی در رستوران‌های فست‌فود، از زبان‌شناس محاسباتی می‌خواهد مدل‌های معنایی و جریان گفتگو را با ترکیب یادگیری ماشین و قاعده پیاده‌سازی و تست کند و گفتگوهای واقعی کاربران با سیستم را تحلیل کند.
تخصص‌های مختلف زبان‌شناس محاسباتی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
ارزیابی LLM و دادهٔ زبانی
LLM Evaluation & Language Data
ساخت دستورالعمل، دیتاست و چارچوب ارزیابی برای مدل‌های زبانی؛ رایج‌ترین شکل این کار در آگهی‌های امروز. Preply، Cypress HCM و SPECTRAFORCE همین را می‌خواهند و بخشی از این نقش‌ها قراردادی‌اند.
مهندس زبان برای یک زبان خاص
Locale Language Engineer
بهتر کردن یک دستیار برای یک زبان و بازار مشخص، با شرط تسلط بومی و توان مهندسی. در جستجوی ۲۲ اکتبر ۲۰۲۶ سایت کاریابی Apple نُه آگهی Language Engineer بود که هشت تای آن‌ها برای سیری بودند، از جمله لهستانی، عربی، دانمارکی و ویتنامی، و یکی برای هندی؛ فارسی در این فهرست نبود. TELUS و M47 هم نقش‌های مشابه برای لهستانی و دانمارکی در بارسلونا دارند.
طراحی دستیار گفتگو
Conversational AI Design
طراحی intent، مدل معنایی و جریان گفتگو برای دستیارهای صوتی و متنی. Omilia این را برای سفارش صوتی در رستوران‌ها می‌خواهد و TCS برای «Cognitive Linguist» ساختن و نگهداری مدل‌های تشخیص intent یک دستیار مجازی چندکاناله را.
دادهٔ چندزبانه برای آموزش مدل
Multilingual Data for Model Training
ساخت خط تولید دادهٔ چندزبانه برای آموزش مدل‌های پایه: تشخیص زبان، نرمال‌سازی خط و ساخت ارزیابی‌هایی که افت مدل را در هر زبان نشان دهد. آگهی Reflection برای این کار مهندسی نرم‌افزار قوی می‌خواهد و آشنایی با اثر طراحی tokenizer بر خط‌های غیرلاتین را امتیاز می‌داند.
پژوهشگر زبان‌شناسی محاسباتی
Research Computational Linguist
پژوهش کاربردی روی روش‌های NLP. آگهی ARLIS در دانشگاه مریلند دکترا، پنج سال تجربهٔ پژوهشی، سابقهٔ انتشار و امکان گرفتن مجوز امنیتی آمریکا را شرط کرده است.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
طبق صفحهٔ مهندس NLP این سایت، آن نقش سیستم‌هایی می‌سازد که متن را می‌خوانند و آن‌ها را به پروداکشن می‌برد، و زبان‌شناسی یکی از مسیرهای ورود به آن است، نه شرط. زبان‌شناس محاسباتی در آگهی‌هایی که دیدیم بیشتر قاعده، دستورالعمل، داده و ارزیابی تحویل می‌دهد و Python را در حد اسکریپت می‌خواهد: Preply از «Python و ابزارهای موجود» برای پردازش داده و خودکار کردن ارزیابی حرف می‌زند و Omilia برنامه‌نویسی در سطح جونیور را امتیاز می‌داند. مرز در نقش‌های پژوهشی کم‌رنگ می‌شود؛ آگهی ARLIS تجربه با NER، RAG، spaCy و transformers را می‌خواهد که به کار مهندس NLP نزدیک است.
طبق صفحهٔ AI Trainer این سایت، مربی هوش مصنوعی پاسخ‌های مدل را با معیار مشخص داوری و رتبه‌بندی می‌کند و پاسخ نمونه می‌نویسد، و بیشتر این کار پروژه‌ای و ساعتی است. زبان‌شناس محاسباتی معمولاً یک لایه بالاتر کار می‌کند: معیار و دستورالعملی را که دیگران با آن داوری می‌کنند طراحی می‌کند، دیتاست می‌سازد و ارزیابی را با Python خودکار می‌کند. آگهی Cypress HCM «تبدیل نیاز زبانی به دستورالعمل روشن برای برچسب‌زن‌ها» و ساختن جریان‌های داوری انسانی را می‌خواهد. آگهی‌هایی مثل English Linguist Expert در TELUS Digital یا AI Language Experts در Cognizant، که کارشان داوری پاسخ‌ها، ارزیابی خروجی و برچسب‌گذاری است، به AI Trainer نزدیک‌ترند.
طبق صفحهٔ مهندس LLM این سایت، نقطهٔ شروع آن نقش یک مدل از پیش آموزش‌دیده است که باید انتخاب، تطبیق، ارزیابی و سرو شود. زبان‌شناس محاسباتی مدل را سرو یا fine-tune نمی‌کند؛ روی پرامپت، داده و ارزیابی کار می‌کند تا رفتار زبانی مدل بهتر شود. آگهی Senior Language Engineer مایکروسافت این را صریح می‌گوید: انتظار نمی‌رود در مسیر اصلی کد بنویسید، اما باید بتوانید در مخزن کد بهبودهای context را پیاده کنید و برای سنجیدن کیفیت پاسخ scorer و classifier بنویسید.
طبق صفحهٔ مهندس تشخیص گفتار این سایت، آن نقش از صدای خام شروع می‌کند و با نویز، لهجه و معیار WER سروکار دارد. همپوشانی با زبان‌شناس محاسباتی در بخش زبانیِ گفتار است: آگهی Polish Language Engineer در TELUS کار روی تلفظ، واژه‌نامه و نرمال‌سازی متن برای تشخیص گفتار و تبدیل متن به گفتار را می‌خواهد و Apple برای Language Engineer سیری تجربه با ASR، TTS یا مدل‌سازی تلفظ را امتیاز می‌داند. ساختن و آموزش خود مدل گفتار کار مهندس تشخیص گفتار است.
تأثیر در صنایع مختلف
زبان‌شناس محاسباتی در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
آموزش زبان
Preply، که به گفتهٔ آگهی‌اش بیش از ۱۰۰ هزار مدرس در آن بیش از ۹۰ زبان درس می‌دهند، زبان‌شناس محاسباتی را برای ساختن و ارزیابی بخش‌های AI تجربهٔ یادگیری استخدام می‌کند
دستیارهای صوتی و دستگاه‌ها
به نوشتهٔ Apple، سیری هر روز در ده‌ها زبان به صدها میلیون نفر کمک می‌کند و تیم Global Siri برای زبان‌های مختلف، از لهستانی تا عربی، آگهی Language Engineer جداگانه داده است
دستیار هوش مصنوعی مصرفی
در تیم Copilot مایکروسافت، Language Engineer مسئول شیوهٔ به کار بردن زبان توسط دستیار و ارزیابی جنبه‌هایی مثل هوش هیجانی پاسخ‌هاست
رستوران و سفارش صوتی
Omilia دستیارهای صوتی برای رستوران‌های فست‌فود در کشورهای مختلف می‌سازد و زبان‌شناس محاسباتی جریان گفتگو و مدل معنایی آن را طراحی و تست می‌کند
ایمنی آنلاین و مدیریت محتوا
Bodyguard.ai با قاعده‌های زبانی و NLP محتوای سمی را در شبکه‌های اجتماعی تشخیص می‌دهد و زبان‌شناس این قاعده‌ها را می‌سازد
امنیت ملی و اطلاعات
ARLIS در دانشگاه مریلند پروژه‌های دولتی در حوزه‌هایی مثل اطلاعات منبع‌باز (OSINT)، جنگ اطلاعاتی و NLP دارد و برای آن زبان‌شناس محاسباتی با دکترا می‌خواهد
آزمایشگاه‌های مدل پایه
Reflection برای مدل‌های باز خود کسی را می‌خواهد که دادهٔ چندزبانه را برای زبان‌های پرمنبع و کم‌منبع آماده کند و افت کیفیت را در هر زبان بسنجد
خدمات داده برای AI
TELUS Digital AI Data Solutions برای شرکت‌های دیگر مدل‌های یادگیری ماشین را آزمایش و بهتر می‌کند و برای زبان‌ها جداگانه مهندس زبان استخدام می‌کند، مثلاً لهستانی در بارسلونا
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
زبان‌شناس محاسباتی به برنامه‌نویسی نیاز ندارد
بیشتر آگهی‌هایی که دیدیم دست‌کم اسکریپت‌نویسی می‌خواهند. SPECTRAFORCE تسلط به Python، Regex و SQL را شرط کرده، M47 می‌نویسد باید بتوانید «بدون اتکای زیاد به ابزارهای LLM» کد بزنید و TELUS می‌خواهد کد را خودتان بخوانید، بنویسید و اشکال‌زدایی کنید، «نه اینکه فقط از LLM بخواهید آن را تولید کند».
دانستن یک زبان یا مترجم بودن برای این کار کافی است
تسلط بومی برای نقش‌های مخصوص یک زبان شرط است، اما کافی نیست: Apple در کنار تسلط به لهستانی، تجربهٔ یادگیری ماشین و NLP و مهارت قوی برنامه‌نویسی می‌خواهد. کار هم ترجمه نیست؛ Preply صورت‌بندی پدیده‌های زبانی به قاعده و طبقه‌بندی را می‌خواهد و TELUS آزمونی که کاربرد واقعی زبان را نشان دهد، نه ترجمهٔ تحت‌اللفظی از انگلیسی.
آگهی با عنوان Computational Linguist زیاد است
ITJobsWatch در شش ماه منتهی به ۲۲ اکتبر ۲۰۲۶ فقط یک آگهی دائم در بریتانیا با مهارت Computational Linguistics شمرده و ما در همین ماه چهار آگهی باز با این عنوان دقیق پیدا کردیم. برای پیدا کردن کار باید عنوان‌های دیگر را هم جستجو کرد: Language Engineer، Linguist، AI Linguist، Language Data Specialist و Cognitive Linguist.
بدون دکترا نمی‌شود وارد این کار شد
به نوع نقش بستگی دارد. نقش پژوهشی ARLIS دکترا و پنج سال تجربهٔ پژوهشی می‌خواهد، اما Cypress HCM کارشناسی و یک سال تجربه را کافی می‌داند و Preply و Omilia مدرک مرتبط «یا تجربهٔ عملی هم‌ارز» را می‌پذیرند.
مدل‌های زبانی بزرگ کار زبان‌شناس را از بین برده‌اند
بیشتر آگهی‌های امروز این حوزه دربارهٔ خودِ LLM هاست: Preply ارزیابی رفتار مدل، Microsoft ارزیابی مدل‌های Copilot و Cypress HCM داوری انسانی برای مدل‌های مولد. اما همین آگهی‌ها خودکارسازی را هم می‌خواهند: Cypress جریان‌های داوری «مقیاس‌پذیر با پرامپت‌نویسی برای AI مولد» و TELUS ساختن workflow های مبتنی بر LLM برای خودکار کردن کار. یعنی برچسب‌زنی دستی صرف کمتر خواسته می‌شود و طراحی و خودکارسازی بیشتر.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
کار مشخص‌تر است و معمولاً طبق دستورالعمل موجود انجام می‌شود. بخشی از نقش‌های این سطح قراردادی‌اند و TELUS صریحاً می‌نویسد همیشه تصویر کامل پروژه را نمی‌بینید.
- ◆بازبینی کیفیت چند صد نمونهٔ برچسب‌خورده و ثبت موارد مبهم
- ◆نوشتن یک اسکریپت Python و Regex برای پیدا کردن خطاهای تکراری در داده
- ◆اجرای ارزیابی روی نسخهٔ تازهٔ مدل و نوشتن گزارش کوتاه از خطاها
- ◆پیشنهاد مثال‌های تازه برای بخش موارد مرزی دستورالعمل
میانی (۲–۵ سال)
خودتان دستورالعمل، دیتاست و ارزیابی را طراحی می‌کنید و با مهندسان و مدیر محصول دربارهٔ اینکه مشکل از پرامپت است، از مدل یا از داده تصمیم می‌گیرید.
- ◆تبدیل یک پدیدهٔ زبانی به طبقه‌بندی و معیار برچسب‌گذاری
- ◆طراحی و آزمودن چند نسخه از یک پرامپت و مقایسهٔ نتیجه با مجموعهٔ ارزیابی
- ◆بررسی حالت‌های خطای مدل و اعتبارسنجی یک اصلاح پیش از انتشار
- ◆جلسه با تیم برچسب‌زن دربارهٔ موارد اختلاف و به‌روز کردن دستورالعمل
ارشد (۵+ سال)
مسئول چارچوب ارزیابی و پروژه‌های کلیدی هستید، ریسک‌ها را زودتر می‌بینید و راه‌حل پیشنهاد می‌کنید؛ آگهی مایکروسافت همین مالکیت پروژه را از Senior Language Engineer می‌خواهد.
- ◆تعریف معیارهای کیفیت برای جنبه‌های سخت‌سنجش پاسخ، مثل لحن و همدلی
- ◆نوشتن scorer و classifier برای سنجیدن خودکار کیفیت پاسخ
- ◆ساختن روش‌ها و منابع مشترکی که برای چند زبان و چند کاربرد کار کنند
- ◆راهنمایی زبان‌شناس‌های تازه‌کار و بازبینی دستورالعمل‌هایشان
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈صورت‌بندی پدیده‌های زبانی به قاعده، طبقه‌بندی (taxonomy) و معیار برچسب‌گذاری
- ◈نوشتن دستورالعمل برچسب‌گذاری روشن، طوری که برچسب‌زن‌های مختلف به نتیجهٔ یکسان برسند
- ◈ساخت دیتاست‌های نماینده برای آموزش، کالیبره کردن و ارزیابی مدل، همراه با فرایند کنترل کیفیت
- ◈طراحی، آزمودن و بهبود پرامپت و context برای مدل‌های زبانی
- ◈ارزیابی کیفی و کمی رفتار مدل، پیدا کردن حالت‌های خطا و اعتبارسنجی اصلاح‌ها
- ◈نوشتن اسکریپت Python و Regex برای پردازش دادهٔ زبانی و خودکار کردن ارزیابی
- ◈ساخت آزمون‌هایی که کاربرد واقعی یک زبان و فرهنگ را نشان دهند، نه ترجمهٔ تحت‌اللفظی
- ◈همکاری با مهندسان، مدیر محصول و طراحان برای تبدیل نیاز زبانی به مشخصات قابل پیاده‌سازی
- ◈هماهنگی با تیم‌های برچسب‌زن و پاسخ به پرسش‌هایشان دربارهٔ موارد مرزی
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک زبان‌شناس محاسباتی موفق به آن‌ها نیاز دارد
مهارت‌های فنی
برای پردازش دادهٔ زبانی و خودکار کردن ارزیابی؛ Preply، Cypress HCM، SPECTRAFORCE، M47 و TELUS آن را می‌خواهند
Preply، Microsoft و SPECTRAFORCE هر سه آن را می‌خواهند
ارزیابی کیفی و کمی رفتار مدل، ساخت مجموعهٔ آزمون و نوشتن scorer
طراحی برچسب، دستورالعمل، سنجش توافق برچسب‌زن‌ها و کنترل کیفیت داده
پیدا و اصلاح کردن الگوهای زبانی در حجم زیاد داده؛ در SPECTRAFORCE و M47 شرط است
کوئری زدن روی داده و تحلیل نتایج؛ SPECTRAFORCE آن را لازم می‌داند
کار با JSON، XML و CSV و محیط Unix؛ M47 و TELUS آن را می‌خواهند
spaCy، NLTK یا Hugging Face؛ M47 آن را امتیاز می‌داند و ARLIS در فهرست ابزارها آورده است
دانش زبانی
پایهٔ صورت‌بندی پدیده‌های زبانی؛ SPECTRAFORCE این حوزه‌ها را نام برده است
برای نقش‌های مخصوص یک زبان شرط است؛ مثل لهستانی در Apple و TELUS یا دانمارکی در M47
در فارسی یکدست کردن نیم‌فاصله، «ی» و «ک» عربی و ارقام از کارهای پایهٔ آماده‌سازی داده است؛ نرمال‌ساز Hazm اصلاح نیم‌فاصله را انجام می‌دهد
لهجه، گونهٔ محاوره و لحن؛ TELUS آزمونی می‌خواهد که کاربرد واقعی و فرهنگ منطقه را نشان دهد
کار با پیکره‌های بزرگ و نمونه‌گیری نماینده برای دیتاست
برای نقش‌هایی که به تشخیص گفتار و تبدیل متن به گفتار مربوط‌اند؛ TELUS آوانگاری را امتیاز می‌داند
مهارت‌های نرم
متنی که افراد مختلف از آن یک برداشت داشته باشند؛ کار اصلی در آگهی‌های Cypress و SPECTRAFORCE
Bodyguard.ai می‌نویسد دقت برای قاعده‌های NLP کلیدی است
Preply تسلط عالی گفتاری و نوشتاری با دقت زبانی بالا را شرط کرده است
کار با مهندسان، مدیر محصول، طراحان و تیم برچسب‌زن
TELUS می‌نویسد گاهی هدف کامل یک کار با شما در میان گذاشته نمی‌شود و باید در محدودهٔ تعریف‌شده خوب کار کنید
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به زبان‌شناس محاسباتی
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
زبان‌شناسی برای کار با ماشین
اگر زبان‌شناسی نخوانده‌اید، از همین‌جا شروع کنید و اگر خوانده‌اید، آن را با نگاه محاسباتی مرور کنید. آگهی SPECTRAFORCE دانش نحو، معناشناسی، کاربردشناسی، زبان‌شناسی اجتماعی و زبان‌شناسی پیکره‌ای را صریحاً می‌خواهد. Emily Bender دو کتاب نوشته که مفاهیم زبان‌شناسی را برای کسانی که با NLP کار می‌کنند توضیح می‌دهد و کتاب Jurafsky و Martin پیش‌نویس آنلاینی دارد که نسخهٔ ۱۹ اوت ۲۰۲۶ آن فصل اول تازه‌ای گرفته و بخش زیادی از مطالب LLM به آن منتقل شده است.
Python، Regex و کار با داده
بیشتر آگهی‌هایی که دیدیم Python می‌خواهند، معمولاً در حد اسکریپت‌نویسی برای پردازش داده و خودکار کردن ارزیابی. آگهی M47 نوشتن عبارت‌های منظم (Regex) پیچیده برای پیدا و اصلاح کردن خطاهای زبانی در هزاران خط داده را جزو کار روزمره آورده و SPECTRAFORCE هم Regex و SQL را در کنار Python شرط کرده است.
ابزارهای NLP و برچسب‌گذاری داده
با کتابخانه‌های NLP متن را تکه‌تکه کنید، برچسب دستوری بزنید و تحلیل کنید، و با یک ابزار برچسب‌گذاری یک دیتاست کوچک بسازید. آگهی M47 تجربه با spaCy، NLTK یا Hugging Face را امتیاز می‌داند. برای فارسی، کتابخانهٔ Hazm نرمال‌سازی (از جمله اصلاح نیم‌فاصله)، توکن‌سازی، ریشه‌یابی و تجزیهٔ وابستگی را انجام می‌دهد.
مدل‌های زبانی، پرامپت و ارزیابی
این بخش امروز هستهٔ بیشتر آگهی‌هاست: Preply تجربهٔ عملی با LLM در طراحی پرامپت، ارزیابی و تحلیل رفتار مدل را می‌خواهد و Microsoft طراحی پرامپت، مدیریت context و ارزیابی مدل را. یاد بگیرید یک مجموعهٔ آزمون بسازید، خروجی مدل را با معیار مشخص بسنجید، خطاها را دسته‌بندی کنید و نشان دهید یک تغییر واقعاً بهتر شده است.
تخصص، پژوهش و پورتفولیو
یکی از مسیرها را عمیق‌تر کنید: ارزیابی LLM، دستیار گفتگو، گفتار یا پژوهش. Preply از زبان‌شناس محاسباتی می‌خواهد پیشرفت‌های پژوهشی NLP و LLM را دنبال کند و ACL Anthology جای اصلی مقاله‌های این حوزه است. برای نقش‌های پژوهشی، سابقهٔ انتشار مقاله، کد یا دیتاست لازم است؛ آگهی ARLIS دقیقاً همین را می‌خواهد.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
برنامه‌نویسی و کار با داده
آزمودن و اشکال‌زدایی عبارت‌های منظم پیش از اجرا روی داده؛ Regex در آگهی‌های SPECTRAFORCE و M47 شرط است
کتابخانه‌های NLP
پردازش متن در Python: توکن‌سازی، برچسب دستوری، تجزیه و تشخیص موجودیت؛ در آگهی‌های M47 و ARLIS نام برده شده است
برچسب‌گذاری و ساخت دیتاست
ارزیابی LLM، گفتگو و گفتار
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
Linguist / Language Data Specialist
۰ تا ۲ سال
کار روی دادهٔ زبانی طبق دستورالعمل، بازبینی کیفیت برچسب‌ها، نوشتن اسکریپت‌های ساده و کمک به ساخت مجموعهٔ ارزیابی. بخشی از این نقش‌ها قراردادی‌اند؛ آگهی Cypress HCM یک قرارداد ۱۲ ماهه با مدرک کارشناسی و دست‌کم یک سال تجربه است
Computational Linguist
۲ تا ۵ سال
طراحی دستورالعمل و طبقه‌بندی، ساخت دیتاست، طراحی پرامپت و تحلیل خطای مدل. Preply برای عنوان Senior Computational Linguist دو تا سه سال تجربه می‌خواهد؛ یعنی عنوان‌ها در این حوزه با سال‌های تجربه دقیق جور نیستند
Senior Language Engineer / Senior Computational Linguist
۵+ سال
مالکیت چارچوب ارزیابی و پروژه‌های کلیدی، طراحی context و پرامپت برای محصول اصلی و نوشتن scorer برای سنجیدن کیفیت پاسخ؛ همان چیزی که آگهی Senior Language Engineer مایکروسافت برای Copilot می‌خواهد
Lead / Research Computational Linguist
پس از سطح ارشد یا با دکترا
رهبری پروژه‌های پژوهشی کاربردی و تعریف روش. آگهی ARLIS دکترا، پنج سال تجربهٔ پژوهشی و سابقهٔ انتشار (مقاله، کد یا دیتاست) می‌خواهد
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
بازار کوچک و عنوان‌های پراکنده
عمومیITJobsWatch در شش ماه تا ۲۲ اکتبر ۲۰۲۶ فقط یک آگهی دائم در بریتانیا با این مهارت شمرده است. کار مشابه زیر عنوان‌های مختلف پخش شده و پیدا کردنش جستجوی عنوان‌های Language Engineer، Linguist و AI Linguist را هم لازم دارد.
قراردادهای موقت
عمومیدو آگهی از آگهی‌هایی که دیدیم (Cypress HCM و SPECTRAFORCE) قرارداد ۱۲ ماهه بودند و نام شرکتی را که کار برایش انجام می‌شود نمی‌آوردند. آگهی Cypress دستمزد ۳۸٫۶۱ تا ۴۵٫۴۸ دلار در ساعت را اعلام کرده است.
دو مهارت هم‌زمان: زبان و کد
عمومیکارفرماها هم دانش زبانی عمیق می‌خواهند و هم برنامه‌نویسی واقعی. TELUS صریحاً می‌نویسد کافی نیست فقط از LLM بخواهید کد بنویسد؛ باید خروجی را بفهمید و اصلاح کنید.
سنجیدن چیزهایی که سخت سنجیده می‌شوند
شرکت بزرگلحن، طبیعی بودن یا همدلی یک پاسخ عدد روشنی ندارد. Microsoft از Senior Language Engineer می‌خواهد چارچوبی بسازد که هم کارکرد فنی و هم جنبه‌های غیرقطعی مثل هوش هیجانی را بسنجد.
زبان‌هایی که کارفرما پشتیبانی می‌کند
عمومینقشهای مخصوص یک زبان فقط برای زبان‌هایی باز می‌شوند که شرکت روی آن‌ها محصول دارد. در نُه آگهی Language Engineer که Apple در ۲۲ اکتبر ۲۰۲۶ داشت، فارسی نبود؛ برای فارسی‌زبان‌ها تسلط به انگلیسی یا یک زبان دیگر، یا تمرکز روی نقش‌های عمومی ارزیابی LLM، شانس بیشتری می‌دهد.
مجوز امنیتی و تابعیت در نقش‌های دولتی
تحقیقاتینقشهای پژوهشی دولتی آمریکا شرط‌های خاص دارند: آگهی ARLIS امکان گرفتن مجوز امنیتی آمریکا و بررسی سوابق، از جمله تابعیت آمریکا، را شرط شروع کار گذاشته است.
حقوق و بازار کار جهانی
حقوق جهانی زبان‌شناس محاسباتی
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Glassdoor US, estimate updated Apr 2025, total pay: 25th–75th pct, median (145 salaries)
- Glassdoor UK, estimate updated Oct 2026, total pay: 25th–75th pct, median (11 salaries)
- Glassdoor Germany, estimate updated Jan 2023, total pay: 25th–75th pct, median (16 salaries)
- Glassdoor Spain, estimate updated May 2023, total pay: 25th–75th pct, median (29 salaries)
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱ و ۲: Python و Regex
تا جایی پیش بروید که بتوانید فایل متنی بخوانید، با Regex الگو پیدا کنید و نتیجه را در CSV ذخیره کنید.
ماه ۳: ابزارهای NLP و متن فارسی
با spaCy یا NLTK کار کنید و یک نرمال‌ساز متن فارسی بنویسید و با Hazm مقایسه کنید.
ماه ۴: دستورالعمل و برچسب‌گذاری
برای یک پدیدهٔ زبانی دستورالعمل بنویسید، با یک نفر دیگر برچسب بزنید و توافق را بسنجید.
ماه ۵: ارزیابی LLM
یک مجموعهٔ آزمون فارسی بسازید و دو مدل را با آن بسنجید.
ماه ۶: پورتفولیو و جستجوی کار
پروژه‌ها را با README روشن در GitHub بگذارید و عنوان‌های Computational Linguist، Language Engineer، Linguist و AI Linguist را جستجو کنید.
پروژه‌های پیشنهادی برای رزومه
دستورالعمل برچسب‌گذاری برای یک پدیدهٔ زبان فارسی
مبتدییک پدیده را انتخاب کنید، مثلاً تشخیص متن رسمی از محاوره یا لحن مؤدبانه و تعارف. دستورالعمل چندصفحه‌ای با مثال‌های مرزی بنویسید، ۲۰۰ جمله را با یک نفر دیگر برچسب بزنید و توافق دو برچسب‌زن را با Cohen’s kappa بسنجید. بعد دستورالعمل را اصلاح کنید و دوباره بسنجید.
نرمال‌ساز متن فارسی با آزمون
مبتدیاسکریپتی بنویسید که نیم‌فاصله، «ی» و «ک» عربی، ارقام و فاصله‌گذاری را یکدست کند. برای هر قاعده چند آزمون بنویسید و نتیجه را با نرمال‌ساز Hazm مقایسه کنید؛ جاهایی که با هم فرق دارند را در README توضیح دهید.
مجموعهٔ ارزیابی فارسی برای یک LLM
متوسط۱۰۰ پرسش بسازید که چیزهای واقعاً فارسی را بیازماید: اصطلاح‌ها، تاریخ شمسی، اعداد، تعارف و گونه‌های محاوره. معیار امتیاز بنویسید، دو مدل را با آن بسنجید و خطاها را دسته‌بندی کنید. TELUS در آگهی‌اش همین را می‌خواهد: آزمونی که کاربرد واقعی زبان را نشان دهد، نه ترجمهٔ تحت‌اللفظی از انگلیسی.
گزارش تحلیل خطا و اعتبارسنجی اصلاح
متوسطروی پروژهٔ قبلی یک طبقه‌بندی خطا بسازید، دو تغییر را امتحان کنید (پرامپت تازه، مدل دیگر یا داده) و نشان دهید کدام واقعاً نتیجه را بهتر کرده است. Preply همین چرخه را می‌خواهد: پیدا کردن حالت‌های خطا و اعتبارسنجی اصلاح‌ها در پرامپت، مدل و داده.
دستیار گفتگوی فارسی با مجموعهٔ آزمون
پیشرفتهیک دستیار کوچک برای یک کار مشخص (مثلاً رزرو نوبت) بسازید: intent ها، جریان گفتگو و استخراج تاریخ و ساعت از متن آزاد. یک مجموعهٔ آزمون رگرسیون بنویسید که هر تغییر را پیش از انتشار بسنجد. آگهی Omilia طراحی جریان گفتگو با روش‌های یادگیری ماشین و قاعده‌محور و تست رگرسیون را می‌خواهد.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
دکترای زبان‌شناسی را از Stanford گرفت. پیش از پیوستن به دانشگاه واشینگتن در ۲۰۰۳، در Stanford و UC Berkeley موقت کار کرد و در صنعت هم در شرکت YY Technologies بود.
امروز مدیر علمی برنامهٔ کارشناسی ارشد حرفه‌ای Computational Linguistics و مدیر آزمایشگاه زبان‌شناسی محاسباتی دانشگاه واشینگتن است. دو کتاب نوشته که مفاهیم زبان‌شناسی را برای کسانی که با NLP کار می‌کنند توضیح می‌دهد و از ۲۰۲۲ تا ۲۰۲۵ در هیئت اجرایی انجمن زبان‌شناسی رایانشی (ACL)، از جمله به‌عنوان رئیس، بود.
کتاب‌های او برای مهندسانی نوشته شده‌اند که زبان‌شناسی نخوانده‌اند؛ به نظر می‌رسد ترجمهٔ دانش زبانی به زبانی که تیم فنی بفهمد، خودش مهارتی است که در این شغل ارزش دارد.
دکترای زبان‌شناسی را از دانشگاه واشینگتن گرفت و در آن روی زبان‌شناسی اجتماعی محاسباتی پژوهش کرد؛ یعنی اینکه هویت اجتماعی ما چطور بر شیوهٔ استفاده‌مان از زبان در بافت‌های محاسباتی اثر می‌گذارد.
پیش از Rasa دانشمند داده در Kaggle بود و عنوان Grandmaster آن را دارد. در زمان این گفتگو developer advocate شرکت Rasa بود و به توسعه‌دهندگان کمک می‌کرد با چارچوب متن‌باز Rasa دستیار گفتگو بسازند و مستقر کنند.
مسیر او نشان می‌دهد دکترای زبان‌شناسی می‌تواند به نقش‌های داده و ابزارهای گفتگو برسد، به شرطی که با برنامه‌نویسی و کار عملی روی داده همراه شود.
زبان‌شناس فنلاندی‌تبار آمریکایی (۱۹۴۱–۲۰۲۲). زبان فنلاندی را در دانشگاه هلسینکی خواند، دکترای زبان‌شناسی را در ۱۹۶۹ از دانشگاه ایندیانا گرفت و در دههٔ ۱۹۷۰ در دانشگاه تگزاس بیشتر روی معناشناسی کار کرد.
طبق ویکی‌پدیا، در دههٔ ۱۹۸۰ از پیشگامان به کار بردن ماشین‌های حالت متناهی (finite-state transducers) در واج‌شناسی و ساخت‌واژه بود. Xerox مجوز نسخه‌های تجاری فناوری‌ای را که او و همکارانش در PARC و XRCE ساختند به شرکت‌های زیادی، از جمله SAP و Microsoft، داد. در ۲۰۰۷ جایزهٔ یک عمر دستاورد ACL را گرفت.
کار او نمونه‌ای است از اینکه دانش دقیق ساخت‌واژه، اگر به ابزار قابل استفاده تبدیل شود، می‌تواند سال‌ها در محصولات شرکت‌های بزرگ به کار برود.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Senior Computational Linguist
تحلیل نیازمندی‌ها
2–3 years of experience in Computational Linguistics, NLP, or a related role.
با وجود عنوان Senior، دو تا سه سال تجربه خواسته شده است. «نقش مرتبط» می‌تواند کار داده و برچسب‌گذاری برای AI یا ارزیابی مدل باشد؛ یعنی نقش‌های قراردادی داده هم پلهٔ ورود به حساب می‌آیند.
ضروریHands-on experience working with LLMs, including prompt design, evaluation, and model behaviour analysis.
هستهٔ کار همین است. باید نشان دهید پرامپت نوشته‌اید، خروجی مدل را با معیار سنجیده‌اید و توضیح داده‌اید چرا مدل خطا می‌کند. یک پروژهٔ ارزیابی با گزارش خطا بهترین مدرک است.
ضروریProficiency in Python for data processing, evaluation, and automation.
Python در حد اسکریپت‌نویسی جدی: خواندن و تمیز کردن داده، اجرای خودکار ارزیابی و ساختن جدول نتایج. ساختن سیستم پروداکشن خواسته نشده است.
ضروریStrong understanding of datasets, annotation workflows, evaluation methods, and quality assurance for AI systems.
یعنی بدانید یک دیتاست نماینده چطور ساخته می‌شود، دستورالعمل برچسب‌گذاری چطور نوشته می‌شود و کیفیت برچسب‌ها چطور سنجیده می‌شود، مثلاً با توافق بین برچسب‌زن‌ها.
ضروریAI-native mindset: comfortable using AI tools as part of day-to-day problem solving, analysis, and workflow automation.
انتظار دارند خودتان روزانه با ابزارهای AI کار کنید و کارهای تکراری را خودکار کنید. در مصاحبه احتمالاً می‌پرسند کدام کارتان را با AI سریع‌تر کرده‌اید.
مهمStrong qualitative and quantitative analysis skills for evaluating linguistic data, model behaviour, and system quality.
هم باید بتوانید چند ده خروجی را بخوانید و الگوی خطا را ببینید و هم بتوانید با عدد نشان دهید یک تغییر نتیجه را بهتر کرده است.
مهمAbility to collaborate effectively in cross-functional teams.
با مهندسان، مدیر محصول و طراحان آموزشی کار می‌کنید و باید نیاز زبانی را طوری توضیح دهید که برای آن‌ها قابل پیاده‌سازی باشد.
مهمDegree in Linguistics, Computational Linguistics, NLP, Language Technology, or a related field, or equivalent practical experience.
مدرک زبان‌شناسی پذیرفته است و «تجربهٔ عملی هم‌ارز» هم. یعنی کسی که زبان‌شناسی نخوانده ولی پروژهٔ واقعی در دادهٔ زبانی و ارزیابی دارد هم شانس دارد.
مهمExcellent command of English, both spoken and written, with strong linguistic precision.
تسلط به انگلیسی شرط است، چون محصول و تیم بین‌المللی است و دستورالعمل‌ها و گزارش‌ها به انگلیسی نوشته می‌شوند.
ضروریتحلیل مسئولیت‌ها
Formalise linguistic phenomena into clear rules, taxonomies, annotation criteria, and system or model requirements.
این همان جایی است که دانش زبان‌شناسی مستقیم به کار می‌آید: پدیده‌ای مثل یک خطای دستوری رایج زبان‌آموزان را باید طوری تعریف کنید که هم برچسب‌زن و هم مهندس دقیقاً بدانند منظور چیست.
Design, evaluate, and improve prompts and other AI components for language-learning use cases.
پرامپت را مثل یک قطعهٔ نرم‌افزار می‌بینید: می‌نویسید، با مجموعهٔ آزمون می‌سنجید و نسخهٔ بهتر را جایگزین می‌کنید.
Build representative datasets for training, calibration, and evaluation, including annotation guidelines and quality-control processes.
دیتاست باید نمایندهٔ کاربران واقعی باشد، نه فقط نمونه‌های آسان. نوشتن دستورالعمل و تعریف کنترل کیفیت هم جزو همین کار است.
Evaluate model behaviour using qualitative and quantitative methods, investigate failure modes and quality issues, and validate fixes across prompts, models, data, and downstream processing.
وقتی مدل خطا می‌کند، باید معلوم کنید مشکل از پرامپت است، از خود مدل، از داده یا از پردازش‌های بعدی، و نشان دهید اصلاح واقعاً جواب داده است.
Use Python and existing tooling to process linguistic data and automate evaluation.
عبارت «ابزارهای موجود» نشان می‌دهد قرار نیست زیرساخت از صفر بسازید؛ باید با ابزارهای تیم کار کنید و کارهای تکراری را با اسکریپت خودکار کنید.
Collaborate with engineers, product managers, learning designers, and computational linguists to develop reusable solutions, resources, and practices that scale across use cases and languages.
راه‌حل باید فقط برای یک زبان یا یک بخش کار نکند؛ هدف ساختن روش و منابعی است که برای زبان‌ها و کاربردهای دیگر هم قابل استفاده باشد.
Stay informed of best practices and advances in NLP and LLM research.
این حوزه سریع عوض می‌شود. خواندن منظم مقاله‌ها و تجربهٔ روش‌های تازهٔ ارزیابی بخشی از کار است، نه کار اضافه.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از زبان‌شناس محاسباتی در ۲۰۲۶ می‌دهد: کسی که زبان را به قاعده و داده تبدیل می‌کند، با LLM کار می‌کند و کیفیت آن را می‌سنجد، و Python را برای خودکار کردن همین کارها به کار می‌برد. آموزش مدل از صفر یا مدرک پژوهشی خواسته نشده و تجربهٔ عملی هم‌ارز به‌جای مدرک پذیرفته است. حقوق در آگهی اعلام نشده است. برای مقایسه، آگهی‌هایی که حقوق را اعلام کرده‌اند دامنهٔ پهنی دارند: از ۳۸٫۶۱ تا ۴۵٫۴۸ دلار در ساعت برای قرارداد Cypress HCM، ۹۵ تا ۱۰۵ هزار دلار برای Cognitive Linguist در TCS، ۱۱۹٬۸۰۰ تا ۲۳۴٬۷۰۰ دلار برای Senior Language Engineer مایکروسافت و ۱۵۰ تا ۱۸۰ هزار دلار برای نقش پژوهشی ARLIS.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
آمار رسمی جداگانه‌ای برای این شغل وجود ندارد و BLS آمریکا گروه شغلی مستقلی برای زبان‌شناس محاسباتی ندارد. نزدیک‌ترین دادهٔ تقاضا کوچک است: ITJobsWatch در شش ماه منتهی به ۲۲ اکتبر ۲۰۲۶ یک آگهی استخدام دائم در بریتانیا شمرده که مهارت Computational Linguistics را خواسته است؛ در همین بازه در ۲۰۲۵ هم یک آگهی و در ۲۰۲۴ صفر. این رقم فقط آگهی‌های IT بریتانیا را می‌شمارد و نقش‌هایی را که با عنوان Language Engineer یا Linguist آگهی می‌شوند در بر نمی‌گیرد.
منبع: ITJobsWatch (UK), 6 months to 22 Oct 2026; no official figure
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
مایکروسافت در آگهی Senior Language Engineer تیم Copilot (اکتبر ۲۰۲۶) می‌نویسد زبان روزبه‌روز شیوهٔ مهم‌تری برای تعامل انسان با کامپیوتر می‌شود و این نقش را مسئول شیوهٔ به کار بردن زبان توسط Copilot می‌داند.
Jurafsky و Martin در نسخهٔ ۱۹ اوت ۲۰۲۶ کتاب درسی Speech and Language Processing بخش بزرگی از مطالب LLM را به فصل اول تازهٔ کتاب منتقل کردند؛ یعنی در این کتاب درسی مدل‌های زبانی حالا از همان فصل اول مطرح می‌شوند.
WEF در گزارش Future of Jobs 2025، که چشم‌انداز کار تا ۲۰۳۰ را بررسی می‌کند، می‌نویسد حدود ۲۸٫۵٪ از بیش از ۲٬۸۰۰ مهارت جزئی بررسی‌شده اکنون ظرفیت جایگزینی متوسطی با AI مولد دارند و این ظرفیت با پیشرفت فناوری می‌تواند بیشتر شود؛ نظارت انسانی به نوشتهٔ گزارش همچنان ضروری است.
WEF در گزارش Future of Jobs 2025 می‌نویسد AI مولد در خواندن، نوشتن و چندزبانگی، از جمله ترجمه، توانمند است، اما مهارت‌هایی که درک ظریف و حل مسئلهٔ پیچیده لازم دارند فعلاً خطر جایگزینی محدودی دارند. آگهی‌ها هم همین را نشان می‌دهند: Cypress HCM جریان‌های داوری «مقیاس‌پذیر با پرامپت‌نویسی برای AI مولد» می‌خواهد و TELUS خودکار کردن کار زبانی با workflow های مبتنی بر LLM را. یعنی برچسب‌زنی و بازبینی دستی صرف کمتر ارزش دارد و ارزش در طراحی معیار، تحلیل خطا و خودکارسازی است. ریسک دیگر کوچک بودن بازار و قراردادی بودن بخشی از نقش‌هاست.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۳۶ منبع بررسی شده است.
- Senior Computational Linguist — Preply, London (job posting)
- Senior Computational Linguist — Preply, Barcelona (job posting)
- Computational Linguist — ARLIS, University of Maryland (job posting)
- LINGUIST List — Computational Linguist, ARLIS (listing)
- Computational Linguist / Language Engineer — Omilia (job posting)
- Computational Linguist — Cypress HCM, Mountain View (job posting)
- Senior Language Engineer — Microsoft (job posting)
- Language Engineer (Polish), Global Siri — Apple (job posting)
- Apple Jobs — search results for “language engineer”
- Polish Language Engineer — TELUS Digital AI Data Solutions (job posting)
- Linguist — SPECTRAFORCE (job posting)
- Cognitive Linguist / Conversational AI Specialist — TCS (job posting)
- English Linguist — Bodyguard.ai (job posting)
- AI Language Engineer - Native in Danish — M47 (job posting)
- Member of Technical Staff - Multilingual Data — Reflection (job posting)
- English Linguist Expert — TELUS Digital AI Data Solutions (job posting)
- AI Language Experts — Cognizant (job posting)
- Glassdoor — Computational Linguist salaries, United States
- Glassdoor — Computational Linguist salaries, United Kingdom
- Glassdoor — Computational Linguist Gehälter, Deutschland
- Glassdoor — Computational Linguist sueldos, España
- Glassdoor — Language Engineer salaries, United States
- Glassdoor — Language Engineer salaries, United Kingdom
- ZipRecruiter — Computational Linguist salary (US)
- PayScale — Computational Linguist salary (US)
- ITJobsWatch — Computational Linguistics (UK)
- University of Washington — MS in Computational Linguistics: Careers
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- Emily M. Bender — faculty page, University of Washington
- Rachael Tatman — Conversational AI and Linguistics (Gradient Dissent podcast)
- Rachael Tatman — personal site
- Lauri Karttunen — Wikipedia
- Speech and Language Processing (3rd ed. draft) — Jurafsky & Martin
- Universal Dependencies
- UD Persian-Seraji treebank
- Hazm — Persian NLP Toolkit (GitHub)